如何用Lambda函数按条件计算员工参与销售金额总和并更新DataFrame

你原来用apply逐行处理的方式在数据量大时效率极低，且语法易出错。推荐先将销售记录按参与员工拆分行，再分组求和后合并到员工每日列表中，这种方法更高效且易维护。

步骤1：展开销售记录的参与员工列 #

用explode把EEs_Present中的每个员工ID拆成单独行，让每条销售记录对应每个参与员工：

# 展开EEs_Present列，每个员工ID对应一条销售记录
exploded_sales = all_sales_df.explode('EEs_Present').rename(columns={'EEs_Present': 'EE_ID'})
# 确保EE_ID类型与daily_employee_df一致（统一为整数类型）
exploded_sales['EE_ID'] = exploded_sales['EE_ID'].astype(int)

步骤2：按日期和员工分组计算销售总额 #

# 分组求和，得到每位员工每日的销售总额
ee_daily_sales = exploded_sales.groupby(['Date', 'EE_ID'])['Sale_Amt'].sum().reset_index()

步骤3：合并到daily_employee_df中 #

用merge将计算好的总额合并到原员工表，未参与销售的员工总额填0：

daily_employee_df = daily_employee_df.merge(
    ee_daily_sales,
    on=['Date', 'EE_ID'],
    how='left'
).fillna({'Sale_Amt': 0.0})
# 重命名列名更清晰
daily_employee_df = daily_employee_df.rename(columns={'Sale_Amt': 'Daily_Total_Sales'})

原方法报错原因及低效写法（不推荐） #

你之前的求和尝试语法错误，大概率是因为布尔索引后未正确提取Sale_Amt再求和。即便修正语法，这种逐行遍历的方式在数千条销售记录时会重复大量筛选操作，效率极低：

# 仅作语法参考，数据量大时不建议使用
daily_employee_df['Daily_Total_Sales'] = daily_employee_df.apply(
    lambda x: all_sales_df[
        (all_sales_df['Date'] == x['Date']) & 
        (all_sales_df['EEs_Present'].apply(lambda c: x['EE_ID'] in c))
    ]['Sale_Amt'].sum(),
    axis=1
)

内容的提问来源于stack exchange，提问作者Not Dave