Skip to main content
 首页 » 编程设计

python之基于项目和 ID 两列的 SUM

2024年11月01日13shanyou

目前,我正在寻找基于 ID 和项目的开始日期的每个项目类型(也称为 groupby)的单个 ID 的 30 天 SUM()。在出现相同 ID 和项目代码的每个实例中都应重复此操作。我知道查询可以帮助我按 ID 和项目获得每月总和,但每月总和不能回答我的问题。

这是一个示例数据集:

ID  Project Amount  Start Date 
1234    203 29.65   5/29/18 
1234    203 2       6/24/18 
1234    203 345.34  7/12/18 
1234    201 100     7/16/18 
1234    203 200     7/16/18 
2345    251 3       4/11/17 
2345    251 4       4/16/17 
2345    203 95.12   8/13/18 
2345    203 10      4/12/19 
3456    251 50      3/23/18 
3456    251 100     3/23/18 
3456    251 43.75   6/5/18 

过去,我曾尝试过一个基本查询,该查询为我提供了一个分组 ID 和项目,以及按金额计算的每月 SUM()。然而,每月进行汇总并不能回答我的问题。我希望 30 天的时间范围从首次看到 ID 和项目时开始。

这是我用于每月总和的示例代码。

df.groupby(['ID', 'Project', pd.Grouper(key='Date', freq='M')])['Amount'].sum() 
ID  Project Amount  Start Date  New Sum 
1234    203 29.65   5/29/18     Blank 
1234    203 2       6/24/18     31.65 
1234    203 345.34  7/12/18     Blank 
1234    201 100     7/16/18     100 
1234    203 200     7/16/18     545.34 
2345    251 3       4/11/17     Blank 
2345    251 4       4/16/17     7 
2345    203 95.12   8/13/18     95.12 
2345    203 10      4/12/19     10 
3456    251 50      3/23/18     Blank 
3456    251 100     3/23/18     150 
3456    251 43.75   6/5/18      43.75 

请您参考如下方法:

理想的解决方案是使用:

import pandas as pd 
import numpy as np 
 
df = pd.read_csv('something.csv') 
 
df['Start Date'] = pd.to_datetime(df['Start Date'], infer_datetime_format=True) 
df = df.sort_values(by='Start Date') 
new_df1 = (df.groupby(['ID', 'Project', pd.Grouper(key='Start Date', freq='M')]).agg({'Amount':'sum'})) 
print(new_df1) 

这给了你:

ID   Project Start Date         
1234 201     2018-07-31  100.00 
     203     2017-04-30  200.00 
             2018-05-31   29.65 
             2018-06-30   52.00 
             2018-07-31  645.34 
2345 203     2018-08-31   95.12 
             2019-04-30   10.00 
     251     2017-04-30    7.00 
3456 251     2018-03-31  150.00 
             2018-06-30   43.75 

但是,这与您的有点不同,因为您要添加到 6/12/18 和 6/24/18 实际上不在同一个月内的“5/29/18”值 - 因此它被认为是一个独立的值。

如果您想根据“开始日期”列中的日期自定义频率,解决方案是根据日期排序,使用第一个日期作为开始并向其添加 30,找到所有值该范围并为它们分配一些唯一的“期间”ID(我将其设置为起始值的索引),然后找到超出该范围的第一个值并将其重新分配为开始并重复该过程。这是一个工作代码,它会产生您想要的输出:

import pandas as pd 
import numpy as np 
 
df = pd.read_csv('something.csv') 
 
df['Start Date'] = pd.to_datetime(df['Start Date'], infer_datetime_format=True) 
df = df.sort_values(by='Start Date') 
 
df['Period'] = np.nan 
indices = df.index.values.tolist() 
start = indices[0] 
for v in range(0, len(indices)): 
    if v == 0: 
        df['Period'] = start 
    else: 
        if df['Start Date'].loc[indices[v]] - df['Start Date'].loc[start] < pd.Timedelta(days=30): 
            df['Period'].loc[indices[v]] = start 
        else: 
            df['Period'].loc[indices[v]] = indices[v]  
            start = indices[v] 
new_df = (df.groupby(['ID', 'Project', 'Period']).agg({'Amount':'sum'})) 
print(new_df) 

输出:

ID   Project Period         
1234 201     6       100.00 
     203     3        81.65 
             6       645.34 
             11      200.00 
2345 203     9        95.12 
             10       10.00 
     251     11        7.00 
3456 251     3        43.75 
             13      150.00