Question

我是python的新手。我试图用下面的例子来学习大熊猫。我有两个数据框。

首先是，

CCP_DETAILS_SID BASE_LINE
    1            1235.89
    2            369.32
    3            9863.1

第二个是，

CCP_DETAILS_SID PERIOD_SID  GROWTH
1                  601       0.1
1                  602       0.2
1                  603       0.3
2                  601       0.1
2                  602       0.2
2                  603       0.3
3                  601       0.1
3                  602       0.2
3                  603       0.3

通过合并上面的两个，我试图计算一个名为'PROJECTION_SALES'的字段。我在下面列出的字段的公式和示例。

Projection_Sales =（Base_Line）*（1 + Growth），两个数据帧之间的合并或连接条件为CCP_DETAILS_SID。

实施例

    Projection_Sales(ccp_details_sid=1 and period_sid=601)=1235.89*(1+0.1)

    Projection_Sales(ccp_details_sid=1 and period_sid=602)=1235.89*(1+0.1)*(1+0.2)

    Projection_Sales(ccp_details_sid=1 and period_sid=603)=1235.89*(1+0.1)*(1+0.2)*(1+0.3)

    Projection_Sales(ccp_details_sid=2 and period_sid=601)=369.32*(1+0.1).

相同的计算方式适用于数据框中的其他行。我在下面列出了示例输出。

CCP_DETAILS_SID PERIOD_SID  PROJECTION_SALES
1                 601        1359.479
1                 602        1631.3748
1                 603        2120.78724
2                 601        406.252
2                 602        487.5024
2                 603        633.75312
3                 601        10849.41
3                 602        13019.292
3                 603        16925.0796

我尝试了下面的一些事情

pd.merge(first,second,how='inner',on='CCP_DETAILS_SID')

在此步骤之后，我需要使用cumprod扩展代码。因为你可以观察到上面的例子有累积的产品逻辑等。

请问有人请告诉我一种完成此计算的方法吗？

Answer 1

这就是你想要的吗？

In [145]: t = d1.merge(d2)

In [146]: (t.assign(x=t.assign(x=t.GROWTH+1)
                       .groupby('CCP_DETAILS_SID')['x']
                       .cumprod())
            .eval("Projection_Sales = BASE_LINE * x")
            .drop('x',1))
Out[146]:
   CCP_DETAILS_SID  BASE_LINE  PERIOD_SID  GROWTH  Projection_Sales
0                1    1235.89         601     0.1        1359.47900
1                1    1235.89         602     0.2        1631.37480
2                1    1235.89         603     0.3        2120.78724
3                2     369.32         601     0.1         406.25200
4                2     369.32         602     0.2         487.50240
5                2     369.32         603     0.3         633.75312
6                3    9863.10         601     0.1       10849.41000
7                3    9863.10         602     0.2       13019.29200
8                3    9863.10         603     0.3       16925.07960

使用pandas数据帧进行Python计算

1 个答案: