如何使用Pandas按客户和月份计算信贷还款总和、剩余本金及累计信贷额？

看起来你现在的问题是没把每笔信贷的还款周期展开，只统计了放款月份的信贷数据，所以没法得到逐月的还款指标。我来一步步帮你实现你想要的结果：

先明确需求逻辑 #

每笔信贷的还款是从放款月份的下一个月开始，连续还duration个月，每个月固定还installment金额。我们需要：

• total_sum：当月该客户所有还款金额的拼接（用+连接）
• sum_cred：该客户当前剩余的总本金（所有信贷还清后变为0）
• total_inv：剩余本金的计算表达式（用初始总信贷额依次减去各月的还款总和）

步骤1：展开每笔信贷的还款月份 #

首先要把每笔信贷的还款周期拆成逐月的记录，这样才能按月份聚合：

import pandas as pd

# 你的原始数据
creditos = pd.DataFrame({
    "id_customer": ["A", "B", "A"],
    "id_credit":[1001, 1002, 1003],
    "duration": [4,3,5],
    "date": ["2022-01-02", "2022-02-03", "2022-03-04"],
    "credit": [100, 90, 250],
    "installment": [25,30,50],
})

# 转换日期格式，计算还款起始月份（放款月+1）
creditos["date"] = pd.to_datetime(creditos["date"])
creditos['start_month'] = creditos['date'].dt.to_period('M') + 1

# 为每笔信贷生成连续的还款月份序列
creditos['repayment_months'] = creditos.apply(
    lambda row: pd.period_range(start=row['start_month'], periods=row['duration'], freq='M'),
    axis=1
)

# 展开成逐月的还款记录
repayments = creditos.explode('repayment_months').rename(columns={'repayment_months': 'month'})

这一步后，repayments里会有每笔信贷对应的每个还款月的记录，比如客户A的1001信贷会生成Feb-2022到May-2022的4条记录，每条记录的installment都是25。

步骤2：计算当月还款总和total_sum #

按客户和月份分组，把当月的还款金额用+拼接起来：

total_sum_df = repayments.groupby(['id_customer', 'month'])['installment'].agg(
    lambda x: '+'.join(map(str, x))
).reset_index().rename(columns={'installment': 'total_sum'})

步骤3：计算剩余总本金sum_cred #

我们需要跟踪每笔信贷在每个还款月的剩余本金，再按客户和月份求和：

# 计算每笔信贷在当前还款月的已还次数
repayments['repay_count'] = repayments.groupby('id_credit')['month'].cumcount() + 1

# 计算单笔信贷的剩余本金，低于0时设为0
repayments['remaining'] = (repayments['credit'] - repayments['installment'] * repayments['repay_count']).clip(lower=0)

# 按客户和月份求和剩余本金，得到sum_cred
sum_cred_df = repayments.groupby(['id_customer', 'month'])['remaining'].sum().reset_index().rename(columns={'remaining': 'sum_cred'})

步骤4：生成剩余本金表达式total_inv #

这里我们用总信贷额依次减去各月的还款总和，生成你想要的表达式：

# 计算每个客户每月的还款总额（数值）
monthly_pay = repayments.groupby(['id_customer', 'month'])['installment'].sum().reset_index().rename(columns={'installment': 'monthly_pay'})

# 计算每个客户的总信贷额
total_credit = creditos.groupby('id_customer')['credit'].sum().reset_index().rename(columns={'credit': 'total_credit'})

# 合并总信贷额，并生成表达式
monthly_pay = pd.merge(monthly_pay, total_credit, on='id_customer')
monthly_pay['total_inv'] = monthly_pay.apply(
    lambda row: f"{row['total_credit']}-{'-'.join(map(str, monthly_pay[(monthly_pay['id_customer'] == row['id_customer']) & (monthly_pay['month'] <= row['month'])]['monthly_pay']))}",
    axis=1
)

步骤5：合并所有结果并格式化 #

最后把所有指标合并，再把月份格式改成你想要的缩写：

# 合并所有数据框
final_df = pd.merge(total_sum_df, sum_cred_df, on=['id_customer', 'month'])
final_df = pd.merge(final_df, monthly_pay[['id_customer', 'month', 'total_inv']], on=['id_customer', 'month'])

# 把月份转为缩写（比如2022-02 → Feb）
final_df['month'] = final_df['month'].dt.strftime('%b')

# 调整列顺序
final_df = final_df[['id_customer', 'month', 'total_sum', 'total_inv', 'sum_cred']]

print(final_df)

运行后得到的结果和你期望的输出几乎一致，如果你需要调整total_inv的表达式逻辑（比如按单笔信贷的还款来拼接），可以在步骤4里修改表达式的生成方式。

备注：内容来源于stack exchange，提问作者Vanessa