使用Linear Programming优化员工排班时遇IndexError问题求助

问题背景 #

使用Python的Pulp库基于给定DataFrame实现员工排班优化时，执行目标函数prob += lpSum([w[j] * y[j] for j in range(n)])触发IndexError: index 1 is out of bounds for axis 0 with size 1错误。

原始数据 #

Time Windows Shift 1 Shift 2 Shift 3 Shift 4  Workers Required
0    6:00 - 9:00       1       0       0       1              55.0
1   9:00 - 12:00       1       0       0       0              46.0
2  12:00 - 15:00       1       1       0       0              59.0
3  15:00 - 18:00       0       1       0       0              23.0
4  18:00 - 21:00       0       1       1       0              60.0
5  21:00 - 24:00       0       0       1       0              38.0
6   24:00 - 3:00       0       0       1       1              20.0
7    3:00 - 6:00       0       0       0       1              30.0
8      Wage_Rate     135     140     190     188               0.0

错误栈 #

Traceback (most recent call last):
  Cell In[197], line 1
    prob += lpSum([w[j] * y[j] for j in range(n)])
  Cell In[197], line 1 in <listcomp>
    prob += lpSum([w[j] * y[j] for j in range(n)])
IndexError: index 1 is out of bounds for axis 0 with size 1

错误定位 #

• 薪资数组维度与来源错误：代码先执行df.drop(df.tail(1).index,inplace=True)删除了薪资行，后续用last_row = df.iloc[-1:,1:]获取的是最后一个时间段的数据，而非薪资；同时iloc[-1:,1:]返回二维数组，直接用w[j]访问会因维度不匹配报错。
• 班次与时间窗口数量混淆：原始数据中班次为4个（Shift1-4），但代码用n = a.shape[0]把时间窗口数量（8个）当成班次数量，导致决策变量y的数量错误。

修复步骤 #

1. 提前保存薪资数据：在删除最后一行前提取薪资信息，避免丢失。
2. 修正薪资数组维度：将二维数组展平为一维数组，确保索引访问正常。
3. 正确定义班次数量：班次数量等于Shift列的数量（4个），而非时间窗口数量。
4. 修正约束矩阵维度：约束矩阵应为时间窗口数 × 班次数量，保证约束条件索引匹配。

修复后完整代码 #

import pandas as pd
import pulp
from pulp import LpMinimize, LpProblem, LpStatus, lpSum, LpVariable
import numpy as np

# 读取数据
df = pd.read_clipboard(sep='\\s+')
df = pd.DataFrame(df)

# 提前提取薪资数据（删除最后一行前操作）
wage_row = df.iloc[-1, 1:-1].values  # 提取Shift1-4的薪资，得到一维数组
# 删除薪资行，保留时间窗口数据
df = df.drop(df.tail(1).index)

# 处理数据，确保班次覆盖标记为数值型
df = df.fillna(0).applymap(lambda x: 1 if x == "X" else x)

# 定义关键参数
T = df.shape[0]  # 时间窗口数量：8
n = len(df.columns) - 2  # 班次数量：4（排除Time Windows和Workers Required列）
a = df.drop(columns=["Time Windows", "Workers Required"]).values  # 约束矩阵：8×4
d = df["Workers Required"].values  # 各时间段需求人数

# 决策变量：每个班次的员工数量
y = LpVariable.dicts("num_workers", list(range(n)), lowBound=0, cat="Integer")

# 创建最小化问题
prob = LpProblem("scheduling_workers", LpMinimize)

# 目标函数：总薪资最小化
prob += lpSum([wage_row[j] * y[j] for j in range(n)])

# 约束条件：每个时间段的在岗员工数≥需求人数
for t in range(T):
    prob += lpSum([a[t, j] * y[j] for j in range(n)]) >= d[t]

# 求解问题
prob.solve()

# 输出结果
print("求解状态:", LpStatus[prob.status])
for shift_idx in range(n):
    print(f"班次{shift_idx+1}需要的员工数：{int(y[shift_idx].value())}人")

说明 #

修复后代码正确区分了时间窗口和班次的维度，薪资数组变为一维数组，索引访问正常；约束矩阵a维度为8×4，对应8个时间窗口和4个班次，约束条件索引匹配无误。

内容的提问来源于stack exchange，提问作者ASH