在Python中，可以使用pandas和scikit-learn库来进行按日期进行数据透视表预测。下面是一个简单的示例代码：

import pandas as pd
from sklearn.linear_model import LinearRegression

# 创建一个示例数据集
data = pd.DataFrame({'date': pd.date_range(start='2020-01-01', periods=10, freq='D'),
                     'sales': [10, 12, 8, 15, 9, 10, 11, 13, 14, 12]})

# 将日期作为索引
data.set_index('date', inplace=True)

# 将日期转换为年、月、日等特征
data['year'] = data.index.year
data['month'] = data.index.month
data['day'] = data.index.day

# 创建一个透视表
pivot_table = data.pivot_table(index=['year', 'month'], values='sales', aggfunc='sum')

# 创建特征和目标变量
X = pivot_table[['year', 'month']].values
y = pivot_table['sales'].values

# 创建线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(X, y)

# 预测未来日期的销售额
future_dates = pd.date_range(start='2021-01-01', periods=12, freq='M')
future_data = pd.DataFrame({'date': future_dates,
                            'year': future_dates.year,
                            'month': future_dates.month})
future_data.set_index('date', inplace=True)

predictions = model.predict(future_data[['year', 'month']].values)

# 打印预测结果
print(predictions)

上述代码首先创建了一个示例数据集，其中包含日期和销售额两列。然后，将日期列设置为索引，并将日期转换为年、月、日等特征。接下来，使用pivot_table方法创建了一个透视表，其中按年和月对销售额进行了求和。然后，将透视表中的年和月作为特征，销售额作为目标变量。使用LinearRegression创建了一个线性回归模型，并使用拟合模型进行预测。最后，打印出未来日期的销售额预测结果。