read_csv carga las fechas como texto salvo que le indiques lo contrario, y el texto no permite realizar operaciones aritméticas con fechas. Convierte una columna con pd.to_datetime:
df["order_date"] = pd.to_datetime(df["order_date"])
o conviértela durante la lectura: pd.read_csv("sales.csv", parse_dates=["order_date"]). El tipo de la columna pasa a ser datetime64.
Una vez que la columna contiene fechas, el accesor .dt permite obtener sus componentes: .dt.month, .dt.year, .dt.day_name() y .dt.to_period("M") para etiquetas de año y mes como 2026-03. Si ves Can only use .dt accessor with datetimelike values, la columna sigue siendo de texto.
Las fechas se pueden comparar con cadenas escritas en formato año-mes-día, por lo que df[df["order_date"] >= "2026-03-01"] funciona. Al restar dos fechas, obtienes un intervalo de tiempo, y .dt.days lo convierte en un número de días.
Para calcular el total por mes, agrupa por el mes: df.groupby(df["order_date"].dt.month)["revenue"].sum().
El día de la semana de los tres primeros pedidos.