teradataml.dataframe.sql.DataFrameColumn.next_day = next_day(self, day_value)

DESCRIPTION:
    Function returns the date of the first weekday specified as 'day_value' that is later than the specified date or
    timestamp value in a column as a literal.
 
PARAMETERS:
    day_value:
        Optional Argument.
        Specifies the day of the week.
        day_value can be any day of the week or its 3-character abbreviation.
        Permitted Values:
            'SUNDAY' or 'SUN'
            'MONDAY' or 'MON'
            'TUESDAY' or 'TUE'
            'WEDNESDAY' or 'WED'
            'THURSDAY' or 'THU'
            'FRIDAY' or 'FRI'
            'SATURDAY' or 'SAT'
        Types: str
 
RAISES:
    TypeError, ValueError, TeradataMlException
 
RETURNS:
    DataFrameColumn
 
EXAMPLES:
    # Load the data to run the example.
    >>> load_example_data("dataframe", ["sales"])
 
    # Create a DataFrame on 'sales' table.
    >>> df = DataFrame.from_table('sales')
 
    # Preparing the data.
    >>> df_sales = df.assign(dates = case([(df.accounts == 'Alpha Co', df.datetime + random.randrange(20,1000,3)),
                            (df.accounts == 'Blue Inc', df.datetime + random.randrange(20,1000,3)),
                            (df.accounts == 'Jones LLC', df.datetime + random.randrange(20,1000,3)),
                            (df.accounts == 'Orange Inc', df.datetime + random.randrange(20,1000,3)),
                            (df.accounts == 'Yellow Inc', df.datetime + random.randrange(20,1000,3)),
                            (df.accounts == 'Red Inc', df.datetime + random.randrange(20,1000,3))]))
 
    # Example 1: Returns the date of the first weekday specified as 'day_value' that is later than the specified
    #            date or timestamp value in a column as a literal.
    >>> df = df_sales.assign(res = df_sales.dates.next_day("SUNDAY"))
    >>> print(df)
                  Feb    Jan    Mar    Apr    datetime     dates       res
    accounts
    Alpha Co    210.0  200.0  215.0  250.0  04/01/2017  18/03/20  18/03/25
    Blue Inc     90.0   50.0   95.0  101.0  04/01/2017  19/02/25  19/03/03
    Jones LLC   200.0  150.0  140.0  180.0  04/01/2017  17/04/27  17/04/30
    Orange Inc  210.0    NaN    NaN  250.0  04/01/2017  19/05/29  19/06/02
    Yellow Inc   90.0    NaN    NaN    NaN  04/01/2017  18/10/22  18/10/28
    Red Inc     200.0  150.0  140.0    NaN  04/01/2017  17/08/07  17/08/13