下面是关于利用pandas按日期做分组运算的完整攻略：
1. 按照日期分组
首先，我们需要使用pandas库的read_csv函数来读取包含日期的数据集。我们可以使用parse_dates来将日期列解析为datetime类型，方便后续的处理。
import pandas as pd
# 读取数据集
df = pd.read_csv('data.csv', parse_dates=['date'])
接着，我们可以使用groupby函数来按照日期进行分组。例如，我们可以按照年份分组：
# 按照年份分组
df.groupby(df['date'].dt.year)
这将返回一个DataFrameGroupBy对象，对其进行聚合操作即可得到结果。
2. 按照日期统计每组的数量
我们可以使用agg函数对每个分组进行聚合操作。例如，我们可以按照月份统计每个月的记录数量：
# 按照月份统计记录数量
df.groupby(df['date'].dt.month)['value'].agg('count')
这将返回一个Series对象，其中每个元素代表相应月份的记录数量。
3. 按照日期统计每组的平均值
除了统计数量之外，我们也可以按照日期统计分组的平均值。例如，我们可以按照年份统计每年的平均记录值：
# 按照年份统计平均值
df.groupby(df['date'].dt.year)['value'].mean()
这将返回一个Series对象，其中每个元素代表相应年份的平均记录值。
示例1：
考虑一个包含日期和销售额的数据集，我们需要按照月份统计每月的销售额总额、平均值和记录数量。
import pandas as pd
# 读取数据集
df = pd.read_csv('sales.csv', parse_dates=['date'])
# 按照月份统计销售额总额、平均值和记录数量
result = df.groupby(df['date'].dt.month)['sales'].agg(['sum', 'mean', 'count'])
运行后，result将会是一个DataFrame对象，包含每个月份的销售额总额、平均值和记录数量。
示例2：
以豆瓣电影 Top 250 数据集为例，我们要按照每个年份统计该年电影的平均评分、评分人数和电影数量。
import pandas as pd
# 读取数据集
df = pd.read_csv('movies.csv', encoding='utf-8')
# 将日期列解析为datetime类型
df['release_date'] = pd.to_datetime(df['release_date'], format='%Y-%m-%d')
# 按照年份统计平均评分、评分人数和电影数量
result = df.groupby(df['release_date'].dt.year)[['rating', 'votes']].agg(['mean', 'count'])
运行后，result将会是一个DataFrame对象，包含每个年份的平均评分、评分人数和电影数量。