如何在pandas中基于周数高效生成双周及月度分组标签

优化方案说明 #

你目前使用的逐行apply加条件判断的实现方式存在两个明显问题：一是数据量较大时性能极低，二是现有逻辑遗漏了Week=1的处理，会返回空值不符合「1、2周标注为2」的规则。

可以直接用pandas向量化运算实现需求，全程不需要自定义函数和逐行判断，不仅能覆盖全年52周的所有场景，性能还能提升几十到上百倍。

双周列计算 #

按照规则（1、2周标2，3、4周标4，以此类推），直接用整数除法即可实现：

prof_calc['Bi-Weekly'] = ((prof_calc['Week'] + 1) // 2 * 2).astype(int)

数值验证：

• Week=1：(1+1)//2=1 → 1*2=2 符合要求
• Week=2：(2+1)//2=1 → 1*2=2 符合要求
• Week=3：(3+1)//2=2 → 2*2=4 符合要求
• Week=52：(52+1)//2=26 → 26*2=52 符合要求

月度列计算 #

按照1-4周归属为月份1的规则，计算逻辑如下：

prof_calc['Monthly'] = ((prof_calc['Week'] - 1) // 4 + 1).astype(int)

数值验证：

• Week=4：(4-1)//4=0 → 0+1=1 符合要求
• Week=5：(5-1)//4=1 →1+1=2 符合要求
• Week=52：(52-1)//4=12 →12+1=13 符合4周为1个统计月的规则

完整测试代码 #

import pandas as pd

# 构造示例数据
data = {
    'ID': ['A', 'A', 'A', 'A'],
    'Week': [1, 2, 3, 4],
    'Profit': [2, 2, 0, 0]
}
prof_calc = pd.DataFrame(data)

# 新增两列
prof_calc['Bi-Weekly'] = ((prof_calc['Week'] + 1) // 2 * 2).astype(int)
prof_calc['Monthly'] = ((prof_calc['Week'] - 1) // 4 + 1).astype(int)

# 分组统计示例
# 按双周统计利润
biweek_profit = prof_calc.groupby(['ID', 'Bi-Weekly'])['Profit'].sum().reset_index()
# 按月度统计利润
monthly_profit = prof_calc.groupby(['ID', 'Monthly'])['Profit'].sum().reset_index()

内容的提问来源于stack exchange，提问作者Michelle Kempis