有一个panda函数（pd.Grouper）允许您指定groupby指令。1在本例中，该指定是按照从星期五开始的每周频率对日期进行“重新采样”。2由于您还需要按照ID进行分组，因此将其添加到grouper中。

# convert to datetime
df['date'] = pd.to_datetime(df['date'])
# pivot the dataframe
df1 = (
    df.groupby(['ID', pd.Grouper(key='date', freq='W-FRI')])['value'].sum()
    .unstack(fill_value=0)
)
# rename columns
df1.columns = [f"Week {c} sum" for c in range(1, df1.shape[1]+1)]
df1 = df1.reset_index()

1您实际需要的是pivot_table结果，但groupby + unstack is equivalent to pivot_table和groupby + unstack在这里更方便。
2由于2022年1月1日是星期六，您需要指定星期五的锚。

您可以计算周列。如果您有同一年的数据，您可以只提取周数，这在实时场景中不太可能。如果您有多个年份的数据，导出年和周数的组合可能是明智的。

df['Year-Week'] = df['Date'].dt.strftime('%Y-%U')

在您的情况下，日期2022-01-01 & 2022-01-04 18：2应根据您考虑的方案转换为2022-01。
要计算透视表，可以使用panda pivot_table。示例代码：

pd.pivot_table(df, values='value', index=['ID'], columns=['year_weeknumber'], aggfunc=np.sum)

让我们定义一个格式化助手。

def fmt(row):
    return f"{row.year}-{row.week:02d}"  # We ignore row.day

现在很简单了。

>>> df = pd.DataFrame([dict(id=1, value=20, date="2022-01-01 12:20"),
                       dict(id=2, value=25, date="2022-01-04 18:20")])
>>> df['date'] = pd.to_datetime(df.date)
>>> df['iso'] = df.date.dt.isocalendar().apply(fmt, axis='columns')
>>> df
   id  value                date      iso
0   1     20 2022-01-01 12:20:00  2021-52
1   2     25 2022-01-04 18:20:00  2022-01

按ISO周分组。