Прогнозная основа исторических деятелей - PullRequest
Новая
       6

Прогнозная основа исторических деятелей

0 голосов
/ 25 декабря 2018

Я хочу прогнозировать ассигнования на основе исторических цифр.

Ручной ввод, предоставленный пользователем: 

year    month     x          y          z          k
2018    JAN  9,267,581   627,129     254,110     14,980 
2018    FEB  7,771,691   738,041     217,027     17,363

Вывод из исторических цифр: 

year  month segment pg  is_p    x   y   z   k
2018    JAN A   p   Y   600 600 600 600
2018    JAN A   p   N   200 200 200 200
2018    JAN B   r   Y   400 400 400 400
2018    JAN A   r   Y   400 400 400 400
2018    JAN A   r   N   400 400 400 400
2018    JAN B   r   N   300 300 300 300
2018    JAN C   s   Y   200 200 200 200
2018    JAN C   s   N   10  10  10  10
2018    JAN C   t   Y   11  11  11  11
2018    JAN C   t   N   12  12  12  12
2018    FEB A   p   Y   789 789 789 789
2018    FEB A   p   N   2093874 2093874 2093874 2093874

Я попытался вычислить распределение is_p от общей суммы, как, скажем, добавить некоторые столбцы для расчета% распределения:

  1. %ofx_segment = 600 + 200 + 400 + 400/600 +400 + 200 + 400 + 400 + 300 + 200 + 10 + 11 + 12.Это даст мне, сколько х вкладывается в сегмент. То же самое происходит с y, z, k
  2. . Я умножаю ручной ввод, равный 9276581 * %ofx_segment, чтобы вычислить значение сегмента_x
  3. Затем я вычисляю %_pg.Для сегмента A за январь 2018 года %_pg = 600 + 200/600 + 200 + 400 + 400
  4. Затем я умножаю ручной ввод, полученный на шаге 2 *% pg, полученный от 3, для 'p' вpg для сегмента A
  5. Затем, наконец, я вычислю% is_p, я вычислю% Y или% N для p в pg для A в сегменте% Y = 600/600 + 200.
  6. Значение, полученное на шаге 5, должно быть умножено на результат, полученный на 4. 
import pandas as pd
first=pd.read_csv('/Users/arork/Downloads/first.csv')
second=pd.read_csv('/Users/arork/Downloads/second.csv')
interested_columns=['x','y','z','k']
second=pd.read_csv('/Users/arork/Downloads/second.csv')
interested_columns=['x','y','z','k']
primeallocation=first.groupby(['year','month','pg','segment'])[['is_p']+interested_columns].apply(f)
segmentallocation=first.groupby(['year','month'])[['segment']+interested_columns].apply(g)
pgallocation=first.groupby(['year','month','segment'])[['pg']+interested_columns].apply(h)
segmentallocation['%of allocation_segment x']
np.array(second)
func = lambda x: x * np.asarray(second['x'])
segmentallocation['%of allocation_segment x'].apply(func)

1 Ответ

0 голосов
/ 03 января 2019

Вам необходимо объединить эти два кадра данных, чтобы выполнить умножение двух столбцов.

merged_df = segmentallocation.merge(second,on=['year','month'],how='left',suffixes=['','_second'])

for c in interested_columns:
        merged_df['allocation'+str(c)] = merged_df['%of allocation'+str(c)] * merged_df[c] 

merged_df


    year    month   segment x   y   z   k   %of allocationx %of allocationy %of allocationz %of allocationk x_second    y_second    z_second    k_second    allocationx allocationy allocationz allocationk
0   2018    FEB A   2094663 2094663 2094663 2094663 1.000000    1.000000    1.000000    1.000000    7,771,691   738,041 217,027 17,363  2.094663e+06    2.094663e+06    2.094663e+06    2.094663e+06
1   2018    JAN A   1600    1600    1600    1600    0.631662    0.631662    0.631662    0.631662    9,267,581   627,129 254,110 14,980  1.010659e+03    1.010659e+03    1.010659e+03    1.010659e+03
2   2018    JAN B   700 700 700 700 0.276352    0.276352    0.276352    0.276352    9,267,581   627,129 254,110 14,980  1.934465e+02    1.934465e+02    1.934465e+02    1.934465e+02
3   2018    JAN C   233 233 233 233 0.091986    0.091986    0.091986    0.091986    9,267,581   627,129 254,110 14,980  2.143269e+01    2.143269e+01    2.143269e+01    2.143269e+01
...