Проблема накопленной суммы с учетом данных до последней записи с несколькими идентификаторами - PullRequest
Новая
       27

Проблема накопленной суммы с учетом данных до последней записи с несколькими идентификаторами

0 голосов
/ 26 декабря 2018

У меня есть набор данных с несколькими идентификаторами и датами, в котором я создал столбец для совокупного предложения в python.

Мои данные выглядят следующим образом 

SKU Date    Demand  Supply  Cum_Supply
1   20160207    6   2       2
1   20160214    5   0       2
1   20160221    1   0       2
1   20160228    6   0       2
1   20160306    1   0       2
1   20160313    101 0       2
1   20160320    1   0       2
1   20160327    1   0       2
2   20160207    0   0       0
2   20160214    0   0       0
2   20160221    2   0       0
2   20160228    2   0       0
2   20160306    2   0       0
2   20160313    1   0       0
2   20160320    1   0       0
2   20160327    1   0       0

Где Cum_supply был рассчитан как 

idx = pd.MultiIndex.from_product([np.unique(data.Date), data.SKU.unique()])

data2 = data.set_index(['Date', 'SKU']).reindex(idx).fillna(0)
data2 = pd.concat([data2, data2.groupby(level=1).cumsum().add_prefix('Cum_')],1).sort_index(level=1).reset_index()

Я хочу создать столбец «True_Demand», который является максимальным неудовлетворенным спросом до этой даты max (Demand-Supply) + Cum_supply.
Таким образом, мой вывод будет примерно таким: 

SKU Date        Demand  Supply  Cum_Supply  True_Demand
1   20160207    6          2        2       6
1   20160214    5          0        2       7
1   20160221    1          0        2       7
1   20160228    6          0        2       8
1   20160306    1          0        2       8
1   20160313    101        0        2       103
1   20160320    1          0        2       103
1   20160327    1          0        2       103
2   20160207    0          0        0       0
2   20160214    0          0        0       0
2   20160221    2          0        0       2
2   20160228    2          0        0       2
2   20160306    2          0        0       2
2   20160313    1          0        0       2
2   20160320    1          0        0       2
2   20160327    1          0        0       2

Таким образом, для 3-й записи (20160221) максимальный невыполненный спрос до 20160221 года составлял 5. Таким образом, истинный спрос составляет 5 + 2 = 7, несмотря на то, что неудовлетворенный спрос на эту дату составлял 1 + 2.

Коддля кадра данных 

data = pd.DataFrame({'SKU':[1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2],
'Date':[20160207,20160214,20160221,20160228,20160306,20160313,20160320,20160327,20160207,20160214,20160221,20160228,20160306,20160313,20160320,20160327],
'Demand':[6,5,1,6,1,101,1,1,0,0,2,2,2,1,1,1],
'Supply':[2,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]}
,columns=['Date', 'SKU', 'Demand', 'Supply'])

1 Ответ

0 голосов
/ 26 декабря 2018

Вы бы попробовали эту забавную однострочку? 

(data.groupby('SKU', 
              as_index=False, 
              group_keys=False)
     .apply(lambda x: 
            x.assign(Cum_Supply=x.Supply.cumsum())
             .pipe(lambda x: 
                   x.assign(True_Demand = (x.Demand - x.Supply + x.Cum_Supply).cummax()))))

Вывод: 

        Date  SKU  Demand  Supply  Cum_Supply  True_Demand
0   20160207    1       6       2           2            6
1   20160214    1       5       0           2            7
2   20160221    1       1       0           2            7
3   20160228    1       6       0           2            8
4   20160306    1       1       0           2            8
5   20160313    1     101       0           2          103
6   20160320    1       1       0           2          103
7   20160327    1       1       0           2          103
8   20160207    2       0       0           0            0
9   20160214    2       0       0           0            0
10  20160221    2       2       0           0            2
11  20160228    2       2       0           0            2
12  20160306    2       2       0           0            2
13  20160313    2       1       0           0            2
14  20160320    2       1       0           0            2
15  20160327    2       1       0           0            2
...