非pandas场景下非等额债务还款数据的存储schema设计问题

1 调整数据存储逻辑 #

将固定规则和特殊调整分开存储，不要直接修改默认计算逻辑，优先用调整记录覆盖对应年份的还款额即可：

• 基础规则存储全局默认的年度还款额、初始债务、起始年份等固定参数
• 单独维护一个年度调整映射，key为调整年份，value为当年实际还款额，优先级高于默认还款额

2 无pandas存储方案说明 #

嵌套dict是完全可行的方案，只要做好结构规范，不仅没有pandas的全局阻塞问题，还支持直接序列化为JSON返回给API，也方便其他函数直接调用。

推荐Schema结构示例 #

如果追求类型安全、减少key拼写错误，可以用dataclass定义结构：

from dataclasses import dataclass, field
from typing import Dict

@dataclass
class DebtRecord:
    # 基础元数据
    initial_debt: float = 100.0
    start_year: int = 2024
    default_yearly_payment: float = 10.0
    # 年度特殊调整，key为年份，value为当年实际还款额
    year_adjustments: Dict[int, float] = field(default_factory=dict)
    # 可选项：缓存计算好的年度剩余债务，避免重复计算
    cached_yearly_balance: Dict[int, dict] = field(default_factory=dict)

如果要直接用嵌套dict，对应结构如下：

debt_record = {
    "initial_debt": 100.0,
    "start_year": 2024,
    "default_yearly_payment": 10.0,
    "year_adjustments": {
        2027: 20.0 # 示例：2027年还款20，代替默认的10
    },
    "cached_yearly_balance": {}
}

3 业务逻辑实现示例 #

不需要pandas的纯Python实现逻辑如下，计算结果可以直接供给其他函数调用：

def calculate_yearly_balance(debt_record: dict) -> dict:
    current_balance = debt_record["initial_debt"]
    current_year = debt_record["start_year"]
    result = {}
    while current_balance > 0:
        # 优先取调整的还款额，没有调整就用默认值
        payment = debt_record["year_adjustments"].get(current_year, debt_record["default_yearly_payment"])
        current_balance = max(0, current_balance - payment)
        result[current_year] = {
            "remaining_debt": current_balance,
            "actual_payment": payment
        }
        current_year += 1
    # 结果存入缓存，后续其他函数调用直接读缓存即可，无需重复计算
    debt_record["cached_yearly_balance"] = result
    return result

4 并行处理说明 #

如果需要批量处理多个用户的债务记录，完全可以并行处理每个用户的dict数据，Python的多进程/协程都支持，没有全局锁阻塞问题，性能远高于pandas批量处理的场景，尤其适合API服务的低延迟要求。

优化建议 #

如果业务规模扩大，需要更强的类型校验，可以用pydantic代替普通dict/dataclass，自动做参数校验，也不需要依赖pandas，完全满足API服务的需求。

内容的提问来源于stack exchange，提问作者Lostsoul