如何用Python将月度预测值平滑拆分至每日？

要实现月度预测值的跨月平滑日拆分（避免简单均分的数值突变，同时保证月度总和/均值匹配原预测），没有直接开箱即用的numpy/pandas函数，需要结合日期处理、权重计算和自定义逻辑来实现，以下是具体方案：

核心思路 #

1. 跨月过渡加权：在月初/月末的过渡周期内，让相邻月份的预测值参与当日预测的加权计算，消除月末到月初的数值突变。
2. 总和校准：初步计算后，按月份调整每日值的总和，确保完全匹配原月度预测值（均值自然符合要求）。
3. 灵活权重曲线：用余弦/线性曲线生成过渡权重，比生硬的线性过渡更平滑。

关键依赖函数 #

• pandas的dt属性：提取日期的年、月、日、当月天数等字段
• pandas的melt：将宽表（jan/feb...列）转长表，方便关联每日数据
• pandas的merge：关联当月及相邻月份的预测值
• numpy的cos：生成平滑的余弦过渡权重

完整代码实现 #

1. 数据预处理 #

先将月度预测的宽表转长表，同时处理每日数据的日期字段：

import pandas as pd
import numpy as np

# 转换月度预测宽表为长表
df_monthly = dataframe1.melt(
    id_vars=['id'],
    var_name='month_str',
    value_name='monthly_pred'
)
# 将月份字符串转为数字（jan→1，feb→2...）
df_monthly['month'] = pd.to_datetime(df_monthly['month_str'], format='%b').dt.month
df_monthly = df_monthly.drop('month_str', axis=1)

# 处理每日数据的日期字段
df_daily = dataframe2.copy()
df_daily['date'] = pd.to_datetime(df_daily['date'], format='%d-%m-%Y')
df_daily['year'] = df_daily['date'].dt.year
df_daily['month'] = df_daily['date'].dt.month
df_daily['day_of_month'] = df_daily['date'].dt.day
df_daily['days_in_month'] = df_daily['date'].dt.days_in_month

2. 关联当月及相邻月份预测值 #

处理跨年场景（如1月的上月为去年12月），关联上月、当月、下月的预测值：

# 关联当月预测
df_daily = df_daily.merge(df_monthly, on=['id', 'month'], how='left')

# 关联上月预测（处理跨年）
df_prev_month = df_monthly.copy()
df_prev_month['month'] = df_prev_month['month'] + 1
df_prev_month.loc[df_prev_month['month'] == 13, 'month'] = 1
df_prev_month.rename(columns={'monthly_pred': 'prev_month_pred'}, inplace=True)
df_daily = df_daily.merge(df_prev_month, on=['id', 'month'], how='left')

# 关联下月预测（处理跨年）
df_next_month = df_monthly.copy()
df_next_month['month'] = df_next_month['month'] - 1
df_next_month.loc[df_next_month['month'] == 0, 'month'] = 12
df_next_month.rename(columns={'monthly_pred': 'next_month_pred'}, inplace=True)
df_daily = df_daily.merge(df_next_month, on=['id', 'month'], how='left')

3. 计算平滑过渡权重 #

以余弦曲线为例（平滑度优于线性过渡），定义过渡天数（如前后各5天）：

def calculate_cosine_weights(row):
    day = row['day_of_month']
    total_days = row['days_in_month']
    transition_days = 5  # 可根据业务调整过渡天数
    
    # 月初过渡：权重从上个月平滑切换到当月
    if day <= transition_days:
        weight_current = (1 - np.cos(np.pi * (day - 1) / transition_days)) / 2
        weight_prev = 1 - weight_current
        weight_next = 0
    # 月末过渡：权重从当月平滑切换到下个月
    elif day >= total_days - transition_days + 1:
        days_from_end = total_days - day + 1
        weight_current = (1 - np.cos(np.pi * (days_from_end - 1) / transition_days)) / 2
        weight_next = 1 - weight_current
        weight_prev = 0
    # 月中：全权重分配给当月预测
    else:
        weight_current = 1
        weight_prev = 0
        weight_next = 0
    
    return pd.Series([weight_prev, weight_current, weight_next], index=['w_prev', 'w_current', 'w_next'])

# 生成权重列
df_daily[['w_prev', 'w_current', 'w_next']] = df_daily.apply(calculate_cosine_weights, axis=1)

4. 计算并校准每日预测值 #

先根据权重计算初始每日值，再按月份校准总和，确保匹配原月度预测：

# 初始每日预测计算
df_daily['daily_pred_raw'] = (
    df_daily['prev_month_pred'] * df_daily['w_prev'] +
    df_daily['monthly_pred'] * df_daily['w_current'] +
    df_daily['next_month_pred'] * df_daily['w_next']
)

# 校准月度总和，保证当月每日值总和等于原月度预测
def adjust_monthly_total(group):
    target_sum = group['monthly_pred'].iloc[0]
    raw_sum = group['daily_pred_raw'].sum()
    # 避免除以0的情况
    adjust_factor = target_sum / raw_sum if raw_sum != 0 else 1
    group['daily_predictions'] = group['daily_pred_raw'] * adjust_factor
    return group

df_daily = df_daily.groupby(['id', 'year', 'month']).apply(adjust_monthly_total).reset_index(drop=True)

可选调整方案 #

• 线性过渡权重：如果不需要余弦曲线的平滑度，可替换为线性权重函数，计算逻辑更简单：

def calculate_linear_weights(row):
    day = row['day_of_month']
    total_days = row['days_in_month']
    transition_days = 5
    
    if day <= transition_days:
        weight_current = day / transition_days
        weight_prev = 1 - weight_current
        weight_next = 0
    elif day >= total_days - transition_days + 1:
        days_from_end = total_days - day + 1
        weight_current = days_from_end / transition_days
        weight_next = 1 - weight_current
        weight_prev = 0
    else:
        weight_current = 1
        weight_prev = 0
        weight_next = 0
    
    return pd.Series([weight_prev, weight_current, weight_next], index=['w_prev', 'w_current', 'w_next'])

• 调整过渡天数：根据业务需求修改transition_days，比如改为3天或7天，控制跨月过渡的周期长度。

验证 #

对于id=1、2022年1月的场景，daily_predictions列的总和会等于原jan列的100，且月初前5天的数值会从去年12月的预测值平滑过渡到100，月末后5天会平滑过渡到2月的预测值，避免了简单均分的突变问题。

内容的提问来源于stack exchange，提问作者NigelBlainey