如何基于现有DataFrame为SKU新增各门店销售额列？

核心思路 #

无需循环遍历SKU，直接利用pandas的透视表或分组转置功能，就能快速实现门店销售额的列转换，同时保留SKU的总销售额。

步骤1：原始数据示例 #

假设你的原始数据集DataFrame名为df，数据结构如下：

步骤2：实现宽表转换 #

方法1：使用pivot_table #

先按SKU和门店代码聚合销售额，再转成宽表，最后合并总销售额：

import pandas as pd

# 按SKU和门店代码做透视，聚合销售额并填充空值为0
pivot_df = df.pivot_table(index='SKU', columns='Store code', values='sales', aggfunc='sum', fill_value=0)
# 提取门店代码的前缀（A/B/C）作为新列名
pivot_df.columns = [col[0] for col in pivot_df.columns]
# 计算每个SKU的总销售额
total_sales = df.groupby('SKU')['sales'].sum().rename('sales')
# 合并总销售额和门店销售额列
result_df = pd.concat([total_sales, pivot_df], axis=1)
# 补充缺失的A/B/C列（确保所有目标列都存在）
for col in ['A', 'B', 'C']:
    if col not in result_df.columns:
        result_df[col] = 0
# 调整列顺序并重置索引
result_df = result_df[['sales', 'A', 'B', 'C']].reset_index()

方法2：使用groupby + unstack #

更简洁的链式写法：

import pandas as pd

result_df = (
    df.assign(Store_prefix=df['Store code'].str[0])
    .groupby(['SKU', 'Store_prefix'])['sales'].sum()
    .unstack(fill_value=0)
    .join(df.groupby('SKU')['sales'].sum().rename('sales'))
    .reindex(columns=['sales', 'A', 'B', 'C'])
    .reset_index()
)

最终输出结构 #

基于原始数据，执行后得到的DataFrame如下：

注：你期望输出中的数值为示例，实际结果会根据原始数据自动计算，核心逻辑是完成门店销售额的宽表转换。

内容的提问来源于stack exchange，提问作者tomas