基于最新非零周数据计算产品单位成本的Pandas需求

嘿，我来帮你搞定这个按最新有效周数据计算单位成本的需求。咱们先明确核心要求：每个产品的单位成本要优先用最新一周的非零销量和成本数据（公式为 wkX_cost / wkX_qty），如果最新周的销量是0，就依次往前找第一个有非零数据的周来计算。

输入数据集 #

首先看一下我们的输入DataFrame：

import pandas as pd

df2 = pd.DataFrame([ 
    {'product':'iphone11', 'wk1_qty':2, 'wk1_amount':100, 'wk1_cost':60, 
     'wk2_qty':3, 'wk2_amount':150, 'wk2_cost':90, 'wk3_qty':0, 'wk3_amount':0, 'wk3_cost':0, 
     'wk4_qty':5, 'wk4_amount':300, 'wk4_cost':160, 'wk5_qty':0, 'wk5_amount':0, 'wk5_cost':0}, 
    {'product':'acer laptop', 'wk1_qty':3, 'wk1_amount':300, 'wk1_cost':210, 
     'wk2_qty':3, 'wk2_amount':300, 'wk2_cost':210, 'wk3_qty':0, 'wk3_amount':0, 'wk3_cost':0, 
     'wk4_qty':5, 'wk4_amount':550, 'wk4_cost':375, 'wk5_qty':5, 'wk5_amount':500, 'wk5_cost':375}
])

实现代码 #

下面是完整的解决方案代码，我会一步步解释逻辑：

# 定义函数：获取单个产品的最新有效单位成本
def get_latest_unit_cost(row):
    # 从最新的周（wk5）往最早的周（wk1）遍历
    for week_num in range(5, 0, -1):
        qty_col = f'wk{week_num}_qty'
        cost_col = f'wk{week_num}_cost'
        current_qty = row[qty_col]
        # 找到第一个非零销量的周，计算单位成本后返回
        if current_qty != 0:
            return row[cost_col] / current_qty
    # 极端情况：所有周销量都是0，返回None（可根据需求改成0或其他默认值）
    return None

# 给DataFrame新增product_price字段
df2['product_price'] = df2.apply(get_latest_unit_cost, axis=1)

# 打印结果
print(df2)

代码逻辑解释 #

1. 倒序遍历周数据：用range(5, 0, -1)确保我们从最新的wk5开始检查，完全符合“优先最新有效数据”的要求；
2. 匹配有效数据：对每个周，先检查销量是否非零，一旦找到符合条件的周，就用对应成本除以销量得到单位成本并返回；
3. 极端情况处理：如果某个产品所有周的销量都是0，函数会返回None，你可以根据实际业务需求改成返回0或者其他默认值。

最终输出结果 #

运行代码后，得到的DataFrame就是你期望的结果：

product  wk1_qty  wk1_amount  wk1_cost  wk2_qty  wk2_amount  wk2_cost  wk3_qty  wk3_amount  wk3_cost  wk4_qty  wk4_amount  wk4_cost  wk5_qty  wk5_amount  wk5_cost  product_price
0      iphone11        2         100        60        3         150        90        0           0         0        5         300       160        0           0         0           32.0
1  acer laptop        3         300       210        3         300       210        0           0         0        5         550       375        5         500       375           75.0

内容的提问来源于stack exchange，提问作者Rich