Python中非唯一Product ID按先进先出规则查表赋值方法

核心思路 #

你提出的库存批次耗尽标记思路方向正确，这类FIFO库存分配本质是按产品分组后的双指针逐量扣减逻辑，无法直接用merge()/map()实现——这两个方法要求匹配键唯一/可直接映射，不支持按数量拆分批次的场景。
整体流程：

• 预处理阶段先给两张表加临时状态字段，排序保证FIFO顺序，提前初始化需要的3个库龄列
• 按Product ID拆分处理单元（避免跨产品错配），每个产品组内用两个指针分别追踪当前待分配的最早库存批次、当前待满足的最前需求
• 循环对比当前库存剩余量、当前需求剩余量，扣减对应数量，把匹配到的批次库龄填入需求行的对应列，某一侧数量清零就移动对应指针，直到该产品组内所有库存、需求匹配完成（你已确认总库存=总需求，无需处理余量异常）

可直接运行的参考代码 #

import pandas as pd

# 1. 数据读取与预处理
# 替换成你实际的xlsx读取代码
# df_inventory = pd.read_excel("库存表路径.xlsx")
# df_demand = pd.read_excel("需求表路径.xlsx")

# 库存表排序：同产品按入库日期升序，保证先入库的排前面
df_inventory = df_inventory.sort_values(
    by=["Product ID", "Inventory Receipt Date"],
    ascending=[True, True]
).reset_index(drop=True)
# 新增临时字段：记录每个库存批次的剩余可分配数量
df_inventory["remaining_qty"] = df_inventory["Quantity"]

# 需求表初始化：新增剩余待分配量字段、3个空的库龄结果列
df_demand = df_demand.reset_index(drop=True)
df_demand["remaining_demand"] = df_demand["Required Quantity"]
for col_idx in range(1, 4):
    df_demand[f"Age days {col_idx}"] = None

# 2. 按产品分组逐组做FIFO分配
for product_id in df_demand["Product ID"].unique():
    # 筛选当前产品的所有库存批次、所有需求行的索引
    inv_indexes = df_inventory[df_inventory["Product ID"] == product_id].index.tolist()
    demand_indexes = df_demand[df_demand["Product ID"] == product_id].index.tolist()

    inv_pointer = 0  # 库存指针：从第一个（最早入库）批次开始
    demand_pointer = 0  # 需求指针：从第一个（优先级最高）需求开始
    age_col_pos = 1  # 记录当前需求要填第几个库龄列

    # 两个指针都没遍历完时持续分配
    while inv_pointer < len(inv_indexes) and demand_pointer < len(demand_indexes):
        cur_inv_idx = inv_indexes[inv_pointer]
        cur_demand_idx = demand_indexes[demand_pointer]
        cur_col = f"Age days {age_col_pos}"

        inv_left = df_inventory.loc[cur_inv_idx, "remaining_qty"]
        demand_left = df_demand.loc[cur_demand_idx, "remaining_demand"]

        if inv_left >= demand_left:
            # 当前库存足够覆盖剩余需求：填库龄、扣库存、当前需求完成，切到下一个需求
            df_demand.loc[cur_demand_idx, cur_col] = df_inventory.loc[cur_inv_idx, "Age Days"]
            df_inventory.loc[cur_inv_idx, "remaining_qty"] -= demand_left
            df_demand.loc[cur_demand_idx, "remaining_demand"] = 0
            demand_pointer += 1
            age_col_pos = 1  # 新需求从第一个库龄列开始填
        else:
            # 当前库存不够覆盖剩余需求：填库龄、扣需求、当前库存耗尽，切到下一个批次
            df_demand.loc[cur_demand_idx, cur_col] = df_inventory.loc[cur_inv_idx, "Age Days"]
            df_demand.loc[cur_demand_idx, "remaining_demand"] -= inv_left
            df_inventory.loc[cur_inv_idx, "remaining_qty"] = 0
            inv_pointer += 1
            age_col_pos += 1  # 同一个需求填下一个库龄位

# 清理临时字段，得到最终结果
df_demand = df_demand.drop(columns=["remaining_demand"])

注意事项 #

• 排序环节不能省略：如果库存表没按Inventory Receipt Date升序排列，会出现晚入库批次先分配的问题，违反FIFO规则
• 不要跨产品处理：必须按Product ID拆分后再做匹配，否则会出现不同产品的库存、需求错配
• 如果后续需求调整为单条需求可能跨超过3个批次，只要修改初始化库龄列的循环范围即可，核心逻辑不用改动

相关学习检索关键词 #

后续要查找同类场景的实现方案，可以用这些关键词检索：

• pandas FIFO 库存分配
• pandas 双指针 逐行扣减
• pandas 批次拆分 先进先出匹配
• pandas 一对多 数量分摊

内容的提问来源于stack exchange，提问作者Oscar_Wong