Pandas实现带购买日期的商品DataFrame各月累计库存总数统计
Pandas 实现月度累计库存统计方案
核心实现逻辑
整个计算过程完全基于Pandas原生能力,无需复杂自定义逻辑,拆解为3步执行:
- 清洗原始数据,将日期列转换为标准时间格式,按购买月粒度统计每个自然月的新增商品数量
- 生成从最早购买月到指定截止月的连续自然月序列,填补中间未发生购买的空月份
- 对齐月度新增数据,无新增的月份补0后做累计求和,即可得到每个月的实时总库存
可直接运行的实现代码
以下代码匹配你给出的测试数据结构,运行后可输出和样例完全一致的结果:
import pandas as pd # 替换为你的真实DataFrame即可,以下为匹配样例的测试数据 df = pd.DataFrame({ "id": [1, 2, 3], "date": ["2015-01-01", "2015-05-13", "2015-08-05"], "other_cols": ["xxx", "xxx", "xxx"] # 其他字段不影响计算逻辑 }) # 1. 日期格式清洗,转换为月粒度标记 df["date"] = pd.to_datetime(df["date"]) df["purchase_month"] = df["date"].dt.to_period("M") # 2. 统计每个月的新增商品数 monthly_new_count = df.groupby("purchase_month")["id"].count() # 3. 生成连续的完整月份序列,从最早购买月到指定截止月(示例截止到2021-01) start = df["purchase_month"].min() end = pd.Period("2021-01", freq="M") # 可根据实际需求修改截止月份 full_months = pd.period_range(start=start, end=end, freq="M") # 4. 对齐数据、补0、累计求和计算总库存 monthly_total_stock = monthly_new_count.reindex(full_months, fill_value=0).cumsum() # 5. 格式化输出为目标结构 result = monthly_total_stock.reset_index() result.columns = ["month", "stock_count"] result["month"] = result["month"].astype(str) # 转成YYYY-MM的字符串格式
实现效果说明
运行上述代码得到的输出完全匹配你的期望样例:
- 2015-01 到 2015-04 区间,无新增购买,库存保持1
- 2015-05 到 2015-07 区间,2015-05新增1件商品,库存保持2
- 2015-08 到 2021-01 区间,2015-08新增1件商品,库存保持3
实操注意事项
- 采用
Period类型做月粒度计算,可避免字符串格式月份出现的排序错位问题(例如"2015-10"被排在"2015-2"前面) - 如果后续需要统计商品出库的库存变动,只需将出库记录的月份标记为负的新增数,原有累计求和逻辑无需修改
- 若不需要硬编码截止月份,可直接将
end参数替换为df["purchase_month"].max(),自动统计到最后一条购买记录的所属月份
内容的提问来源于stack exchange,提问作者blahblah
相关产品推荐
相关产品推荐

