带附加条件的Pivot table行求和：产品销售稀疏度分析实现问询

计算逻辑拆分 #

你需要的指标本质是产品上市后动销率，计算逻辑可以拆分为三步：

• 定位每款产品的首次销售日期，即对应产品行第一个出现1的单元格对应的日期列
• 截取该产品行中首次销售日期及之后的所有销售记录
• 用截取范围内1的总和，除以截取范围内的总日期数，得到最终销售稀疏度

常用工具实现方法 #

方案1：Excel/WPS表格实现 #

假设表格结构为：A列存储产品名称/ID，B列及之后为对应日期的销售标记（1代表有销售，空值代表无销售），第1行B1、C1……为日期值，数据从第2行开始。

1. 计算单款产品首次销售日期：在空白列（如Z列）Z2单元格输入公式：
   =INDEX($B$1:$AA$1,MATCH(1,B2:AA2,0))
   公式中$B$1:$AA$1为日期行的总范围，B2:AA2为当前产品的销售标记行范围，可根据你实际的表格宽度调整范围值
2. 计算首次销售日后的销售总天数：在AA2单元格输入公式：
   =SUMIF($B$1:$AA$1,">="&Z2,B2:AA2)
3. 计算首次销售日后的总日期数：在AB2单元格输入公式：
   =COUNTIF($B$1:$AA$1,">="&Z2)
4. 计算最终稀疏度：在AC2单元格输入公式：
   =AA2/AB2
   选中Z2到AC2单元格，下拉填充所有产品行即可完成批量计算。

方案2：Python Pandas实现 #

如果数据量较大，可通过Python批量处理，示例代码如下：

import pandas as pd

# 读取原始表格数据，设置第一列为产品索引，第一行为表头
df = pd.read_excel("你的原始表格路径.xlsx", index_col=0)

def calc_product_sparsity(row):
    # 定位当前产品首次销售的日期
    first_sale_date = row[row == 1].index.min()
    # 截取首次销售日之后的所有销售记录
    post_first_sale_data = row.loc[first_sale_date:]
    # 返回稀疏度计算结果
    return post_first_sale_data.sum() / post_first_sale_data.count()

# 新增销售稀疏度列
df["销售稀疏度"] = df.apply(calc_product_sparsity, axis=1)

# 导出计算结果
df.to_excel("销售稀疏度计算结果.xlsx")

内容的提问来源于stack exchange，提问作者shilratna ganvir