使用Pandas识别并标记供应商的连续发票

需求明确 #

• 单一供应商场景：标记连续的发票为1，非连续为0
• 多供应商补充规则：只要当前行的下一行属于其他供应商，当前行的连续标记必须设为0

实现方案（SQL版本） #

假设你的数据集表名为supplier_invoices，包含字段：supplier_id（供应商唯一标识）、invoice_id（发票号）、invoice_date（发票日期，用来判断连续逻辑，要是按发票顺序走就用自增ID）

第一步：关联下一行数据 #

先按供应商分组、发票日期排序，用窗口函数把下一行的供应商ID和发票日期拉出来：

WITH ranked_invoices AS (
    SELECT 
        supplier_id,
        invoice_id,
        invoice_date,
        -- 取当前行的下一行供应商ID
        LEAD(supplier_id) OVER (ORDER BY supplier_id, invoice_date) AS next_supplier_id,
        -- 取同一供应商下的下一张发票日期
        LEAD(invoice_date) OVER (PARTITION BY supplier_id ORDER BY invoice_date) AS next_invoice_date
    FROM supplier_invoices
)

第二步：生成连续标记 #

根据规则写CASE逻辑生成is_consecutive字段：

SELECT 
    supplier_id,
    invoice_id,
    invoice_date,
    CASE
        -- 下一行是其他供应商，直接标记0
        WHEN next_supplier_id != supplier_id THEN 0
        -- 同一供应商下，下一张发票日期连续（这里按日期差1天算连续，你可以改成发票ID自增1之类的业务规则）
        WHEN DATEDIFF(next_invoice_date, invoice_date) = 1 THEN 1
        -- 其他情况都标记0
        ELSE 0
    END AS is_consecutive
FROM ranked_invoices;

多供应商示例验证 #

拿实际数据测试下：
原始数据：

执行SQL后得到的结果：

其他实现思路（Python Pandas） #

如果用Pandas处理，逻辑和SQL一致：

import pandas as pd

# 读取数据集
df = pd.read_csv('supplier_invoices.csv')
# 按供应商和发票日期排序
df = df.sort_values(['supplier_id', 'invoice_date'])
# 获取下一行的供应商ID和发票日期
df['next_supplier_id'] = df['supplier_id'].shift(-1)
df['next_invoice_date'] = df['invoice_date'].shift(-1)
# 生成连续标记
df['is_consecutive'] = 0
# 同一供应商且日期连续的标记1
mask_consecutive = (df['supplier_id'] == df['next_supplier_id']) & ((df['next_invoice_date'] - df['invoice_date']).dt.days == 1)
df.loc[mask_consecutive, 'is_consecutive'] = 1
# 下一行是其他供应商的强制设为0
mask_new_supplier = df['supplier_id'] != df['next_supplier_id']
df.loc[mask_new_supplier, 'is_consecutive'] = 0

内容的提问来源于stack exchange，提问作者Gustavo A. Marín Acevedo