首先，转换列dateto_datetime并减去一周，因为我们需要该日期前一周的总和，而不是该日期前一周的总和。
然后通过W-MON使用groupby和Grouper，并聚合sum：

df['Date'] = pd.to_datetime(df['Date']) - pd.to_timedelta(7, unit='d')
df = df.groupby(['Name', pd.Grouper(key='Date', freq='W-MON')])['Quantity']
    .sum()
    .reset_index()
    .sort_values('Date')
print (df)

Name       Date  Quantity
0   Apple 2017-07-10        90
3  orange 2017-07-10        20
1   Apple 2017-07-17        30
2  Orange 2017-07-24        40

让我们将groupby、resample与W-Mon和sum一起使用：

df.groupby('Name').resample('W-Mon', on='Date').sum().reset_index().sort_values(by='Date')

输出：

Name       Date  Quantity
0   Apple 2017-07-17        90
3  orange 2017-07-17        20
1   Apple 2017-07-24        30
2  Orange 2017-07-31        40

首先将列date转换为_datetime。这将从Mondays开始按周分组。它将输出周数（但您可以在中查找更改
http://strftime.org/

df.groupby(['name', df['date'].dt.strftime('%W')])['quantity'].sum()

输出：

name    date
apple   28      90
        29      30
orange  28      20
        30      40

这将对上一个星期一的每一行进行分组（如果日期已经是星期一，则不做任何更改）。这具有按周分组的效果：

import pandas as pd, datetime as dt

# df = ...

df['WeekDate'] = df.apply(lambda row: row['Date'] - dt.timedelta(days=row['Date'].weekday()), axis=1)

perweek = df['WeekDate'].groupby(df['WeekDate']).count()

范例：

Date           WeekDate
2020-06-20     2020-06-15 <- monday
2020-06-21     2020-06-15
2020-06-24     2020-06-22 <- monday 
2020-06-25     2020-06-22
2020-06-26     2020-06-22

你已经收到了很多好答案，这个问题也很老了，但是，考虑到一些解决方案使用了过时的函数，我遇到了同样的问题，找到了一个不同的解决方案，我认为这对分享它的人可能会有帮助。
根据您提议的 Dataframe ：

Name   Date    Quantity
Apple  07/11/17  20
orange 07/14/17  20
Apple  07/14/17  70
Orange 07/25/17  40
Apple  07/20/17  30

我们必须将'Date'中的值转换为Pandas' Datetime，因为它们现在是字符串。
然后我们可以使用Series的 dt 属性，该属性允许我们处理 * DateTime类 * 序列并提取信息。

df['Date'] = pd.to_datetime(df['Date'], format='%m/%d/%y')

通过DateTime格式，我们可以使用dt参数来提取与日期相关的周数。为了不丢失任何信息，我倾向于添加一个包含周数的新列。一旦检索到周数，我们就可以按该周分组。

df['WeekNumber'] = df['Date'].dt.isocalendar().week
df.groupby(['Name', 'WeekNumber']).sum()

Name    WeekNumber  
Apple   28  90
        29  30
Orange  28  20
        30  40

小问题：如果我们考虑不同的年份呢

可能会有这样的情况，我们的数据有一个年份范围，在这种情况下，我们不能只考虑星期（否则我们会把一年的数据和另一年的数据混淆），所以从isocalendar（）中提取年份列也是有用的。

df['year'] = df['Date'].dt.isocalendar().year
df.groupby(['Name', 'WeekNumber', 'year']).sum()

Name    WeekNumber  year    Quantity
Apple   28          2017    90
        29          2017    30
Orange  28          2017    20
        30          2017    40

可以使用to_period方法将日期截断为一周的第一天（如果使用周期M，则为一个月）：

df["Week"] = df["Date"].dt.to_period("W").dt.to_timestamp()
df.groupby(["Name", "Week")).sum()