Python：如何用DataFrame与字典计算业务流程分支总工时

先完成数据导入步骤，用Pandas结合openpyxl读取Excel并转为DataFrame：

import pandas as pd

# 读取业务流程交易表
transactions_df = pd.read_excel('业务流程交易表.xlsx', engine='openpyxl')
# 读取交易时长表
duration_df = pd.read_excel('交易时长表.xlsx', engine='openpyxl')

以下是你提到的三种实现方式，按效率从高到低排序：

1. 交易时长表转字典映射（推荐） #

把交易时长表转为{Transaction Type: time in S}的字典，通过字典快速匹配交易类型对应的时长，再与发生次数相乘，这是效率最高的方法，适合大数据量：

# 构建交易类型到时长的字典
duration_dict = duration_df.set_index('Transaction Type')['time in S'].to_dict()

# 新增总工时列：匹配字典中的时长 × 发生次数
transactions_df['Effort in S'] = transactions_df['Transaction Type'].map(duration_dict) * transactions_df['occurrences']

2. Lambda函数结合apply #

用apply配合lambda函数逐行匹配交易类型对应的时长，逻辑直观但效率低于字典映射，适合小数据集：

# 先把时长表转为方便查询的结构
duration_map = duration_df.set_index('Transaction Type')['time in S']

# 用apply+lambda计算总工时
transactions_df['Effort in S'] = transactions_df.apply(
    lambda row: row['occurrences'] * duration_map.get(row['Transaction Type'], 0),  # 0为缺失交易类型的默认值
    axis=1
)

3. 遍历DataFrame（不推荐） #

用iterrows或itertuples遍历每一行计算，代码繁琐且效率极低，仅适合理解基础逻辑：

# 先构建时长字典
duration_dict = duration_df.set_index('Transaction Type')['time in S'].to_dict()

# 初始化总工时列
transactions_df['Effort in S'] = 0

# 遍历每一行计算
for idx, row in transactions_df.iterrows():
    trans_type = row['Transaction Type']
    if trans_type in duration_dict:
        transactions_df.at[idx, 'Effort in S'] = row['occurrences'] * duration_dict[trans_type]

按分支统计各交易类型总工时 #

完成总工时计算后，用groupby分组统计即可：

# 按分支和交易类型分组，求和总工时
branch_effort_summary = transactions_df.groupby(['branch', 'Transaction Type'])['Effort in S'].sum().reset_index()

# 查看结果
print(branch_effort_summary)

注意事项 #

• 如果交易时长表中存在业务表没有的交易类型，不影响计算；如果业务表有不在时长表的交易类型，可根据需求设置默认值（比如上述lambda方法中的0）。
• 优先使用字典映射的方法，Pandas的向量化操作比遍历高效得多。

内容的提问来源于stack exchange，提问作者hugo999