PowerBI中基于PIMS代码的月度原油成本加权平均计算需求

嘿，我来帮你搞定这个需求！核心是要按原油PIMS代码和对应月份分组，把所有重复条目（哪怕同一日期的相同PIMS行）都纳入加权平均计算，下面是具体的实现思路和代码示例：

核心逻辑 #

加权平均成本的计算公式很明确：
加权平均成本 = Σ(单条成本 × 对应待加工数量) / Σ(该组总待加工数量)
我们需要确保同一PIMS代码+同一月份下的所有行（包括重复条目）都参与这个计算，同时要把日期转换成“年月”维度来分组，避免跨年的同月份数据混在一起。

步骤1：数据预处理 #

首先要把日期列转换成标准的日期格式，方便提取月份信息。这里以Python的pandas库为例（处理表格数据最常用的工具）：

import pandas as pd

# 读取你的表格数据（支持csv、excel等格式）
df = pd.read_excel("crude_oil_data.xlsx")  # 或者用pd.read_csv()读取csv文件

# 转换日期列为datetime类型，并提取“年月”作为分组键
df['当月首日日期'] = pd.to_datetime(df['当月首日日期'])
df['年月'] = df['当月首日日期'].dt.to_period('M')  # 生成类似"2024-05"的年月格式

步骤2：计算加权平均成本 #

用分组聚合的方式实现加权计算，代码如下：

# 按PIMS代码和年月分组，计算每组的加权平均成本
weighted_avg_result = df.groupby(['原油PIMS代码', '年月']).apply(
    lambda group: (group['成本（Rs/MT）'] * group['待加工数量（千吨）']).sum() / group['待加工数量（千吨）'].sum()
).reset_index(name='加权平均成本（Rs/MT）')

# 输出结果
print(weighted_avg_result)

代码解释 #

• groupby(['原油PIMS代码', '年月'])：把数据按PIMS代码和月份分成独立的组，保证每个组是同一PIMS同一月份的所有数据；
• lambda group里的逻辑：对每个组，先计算每一行的「成本×数量」（即该批次的总成本），求和后除以组内的总数量，得到的就是该组的加权平均成本；
• 不管同一日期下有多少条相同PIMS的重复行，都会被自动纳入组内计算，完全符合你的要求。

验证示例 #

举个简单例子验证逻辑：

假设PIMS代码为CRUDE001的2024-05数据：

• 行1：成本100 Rs/MT，数量5千吨
• 行2：成本120 Rs/MT，数量3千吨
  手动计算加权平均：(100×5 + 120×3)/(5+3) = 860/8 = 107.5 Rs/MT
  用上面的代码计算会得到完全一致的结果，哪怕这两行是同一日期的重复条目。

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