Python实现逐行匹配多维度分组动态阈值的比较方法
逐行匹配分组专属动态阈值的Python实现逻辑
核心流程分为三步:按三维度计算细分组价格中位数作为专属阈值、逐行匹配对应行的分组阈值、完成价格与阈值的比较计算。
实现步骤
- 引入依赖(基于pandas做表格数据处理)
# 如需安装依赖执行 pip install pandas numpy - 读取/构建业务数据集(覆盖市场、产品组、价格类型、价格、补充维度共5个字段)
import pandas as pd import numpy as np # 模拟业务数据集结构 df = pd.DataFrame({ "市场": ["GBR", "GBR", "GBR", "USA", "USA", "USA", "DEU", "DEU", "DEU"], "产品组": ["Toys", "Toys", "Toys", "Toys", "Electronics", "Electronics", "Home", "Home", "Toys"], "价格类型": ["Low ASP", "Low ASP", "High ASP", "Low ASP", "Low ASP", "High ASP", "Low ASP", "High ASP", "High ASP"], "价格": [8, 12, 25, 11, 100, 180, 45, 90, 30], "季度销量": [120, 80, 15, 200, 60, 20, 150, 40, 25] }) - 计算细分组专属阈值
以市场、产品组、价格类型为联合分组键,聚合计算每个细分组的价格中位数,作为组内所有行的统一比较阈值:
示例计算结果:GBR市场、Toys产品组、Low ASP价格类型的细分组包含8、12两个价格值,计算得到中位数为10,即该组所有行的比较阈值均为10美元。# 定义分组维度 group_keys = ["市场", "产品组", "价格类型"] # 计算组内价格中位数,生成阈值映射表 threshold_map = df.groupby(group_keys)["价格"].median().reset_index() threshold_map = threshold_map.rename(columns={"价格": "分组专属阈值"}) - 逐行匹配对应阈值
按联合分组键将阈值映射表关联回原数据集,保证每一行都能匹配到所属细分组的阈值:df_merged = df.merge(threshold_map, on=group_keys, how="left") - 逐行完成价格与阈值的比较
逐行读取当前行价格与匹配到的阈值,按业务规则生成比较结果:# 自定义比较规则,生成结果列 df_merged["阈值比对结果"] = np.select( [ df_merged["价格"] > df_merged["分组专属阈值"], df_merged["价格"] == df_merged["分组专属阈值"], df_merged["价格"] < df_merged["分组专属阈值"] ], [ "高于组内中位数", "等于组内中位数", "低于组内中位数" ], default="无匹配阈值" )
结果校验示例:同属GBR+Toys+Low ASP细分组的两行数据,分别为8美元、12美元,均匹配到10美元的分组阈值,对应比较结果为“低于组内中位数”、“高于组内中位数”,符合逐行匹配专属阈值的业务要求。
内容的提问来源于stack exchange,提问作者vicky
相关产品推荐
相关产品推荐

