Python：将子DataFrame按客户求和后合并至主DataFrame

问题背景 #

需要将主客户列表DataFrame（df）的WK1列，填充为对应客户在DF_WK1中price列的求和值——即匹配两个DataFrame的Customer列，计算每个客户的price总和后填入主表的WK1列。核心需求是通用方案，要适配每周客户数据列（比如后续的WK2、WK3等）的变化，避免硬编码。

主表df结构：

周数据DF_WK1结构：

当前代码的问题 #

你提供的代码存在几个关键错误：

• 错误覆盖主表df：将主表替换为仅含唯一客户名的新DataFrame，丢失了原有的WK1列结构
• groupby参数错误：使用df.CustomerName作为分组键，但原DF_WK1的客户列是Customer，且此时df已被错误替换
• 未保留主表所有客户：缺少对无交易数据客户（如d、f、g）的处理逻辑

通用解决方案 #

基础版本（处理单周数据） #

先对周数据按客户分组求和，再通过左连接合并到主表，确保主表所有客户都被保留：

import pandas as pd

# 读取主客户列表（保留原有结构，不要覆盖）
df = pd.read_excel("master_customer_list.xlsx")
# 读取周数据
df_wk1 = pd.read_excel("test.xlsx")

# 1. 对周数据按Customer分组求和，重命名列匹配主表的WK1
wk1_sum = df_wk1.groupby("Customer")["price"].sum().reset_index().rename(columns={"price": "WK1"})

# 2. 左连接主表与求和结果，无数据的客户填充0（可根据需求改为NaN）
df = df.merge(wk1_sum, on="Customer", how="left").fillna({"WK1": 0})

print(df)

执行后df的WK1列会被正确填充，比如客户a的总和是22+44+44=110，客户d的WK1值为0。

扩展版本（适配多周数据变化） #

如果需要处理WK2、WK3等多周数据，可封装成函数批量处理，完全不用修改核心逻辑：

import pandas as pd

# 读取主客户表
df = pd.read_excel("master_customer_list.xlsx")

# 定义通用处理函数：输入周数据路径、目标列名，返回合并后的主表
def process_week_data(week_file_path, target_col):
    week_df = pd.read_excel(week_file_path)
    # 分组求和并改名
    week_sum = week_df.groupby("Customer")["price"].sum().reset_index().rename(columns={"price": target_col})
    # 左连接合并，无数据填充0
    return df.merge(week_sum, on="Customer", how="left").fillna({target_col: 0})

# 维护周数据文件映射：键是主表要填充的列名，值是对应Excel文件路径
week_data_map = {
    "WK1": "test.xlsx",
    "WK2": "week2_data.xlsx",
    "WK3": "week3_data.xlsx"
}

# 循环处理所有周数据
for col_name, file_path in week_data_map.items():
    df = process_week_data(file_path, col_name)

# 输出最终结果
print(df)

后续新增周数据时，只需要在week_data_map中添加新的键值对即可，完全适配业务变化。

内容的提问来源于stack exchange，提问作者logman117