如何在Pandas中批量计算多列与Band列的比值并统计使用率区间

AI 小北

2026-6-20

解决方案

1. 批量计算各日期使用率

直接通过列索引定位Band右侧的所有日期列，利用Pandas广播机制批量完成除法运算，不用逐列手动处理：

import pandas as pd

# 构造示例数据（已有目标DataFrame可跳过此步）
data = {
    'Node': ['Server1', 'Server2', 'Server3'],
    'Band': [10000, 30000, 17000],
    '5-May': [800, 600, 1500],
    '12-May': [1000, 3000, 12000],
    '19-May': [12000, 12000, 12500],
    '26-May': [12500, 12500, 500],
    '2-June': [500, 500, 1000]
}
df = pd.DataFrame(data)

# 批量处理日期列：所有日期列数值除以对应行的Band值
date_cols = df.columns[2:]  # 自动获取Band之后的所有列
df[date_cols] = df[date_cols].div(df['Band'], axis=0)
# 可选：保留两位小数让结果更整洁
df[date_cols] = df[date_cols].round(2)

执行后就能得到你需要的使用率DataFrame。

2. 按节点统计各使用率区间次数

先把宽表转成长表，再用分箱函数按指定区间统计频次：

# 定义统计区间及对应标签
bins = [0.7, 0.8, 0.9, 1.0, float('inf')]
labels = ['70%-80%', '80%-90%', '90%-100%', '100%+']

# 将日期列转为长格式，方便按节点聚合所有使用率数据
df_melted = df.melt(id_vars=['Node'], value_vars=date_cols, var_name='Date', value_name='Usage')

# 分组分箱并统计各区间次数
usage_counts = df_melted.groupby('Node')['Usage'].apply(
    lambda x: pd.cut(x, bins=bins, labels=labels, include_lowest=True).value_counts()
).unstack(fill_value=0)

# 重置索引让结果结构更清晰
usage_counts = usage_counts.reset_index()

最终usage_counts会展示每个节点在各区间的次数，比如Server1的100%+区间次数为2，和示例一致。