如何从不同Pandas DataFrame计算零售商-SKU跨周销售占比及均值

看起来你已经搞定了前期的数据分组和跨周总和计算，接下来咱们一步步解决销售占比和均值的问题。我用Python pandas（数据分析领域常用工具）来演示具体实现，假设你的数据存在df这个DataFrame里，结构大概是这样：

第一步：先把目标周区间的数据筛选出来 #

你已经定义了score_period这个周区间列表，咱们先把所有符合条件的周数提取出来，再过滤数据：

# 把所有需要的周数整理成一个列表（处理跨年周的情况，比如201652之后是201701）
target_weeks = []
for period in score_period:
    start_week, end_week = period
    current_week = start_week
    while current_week <= end_week:
        target_weeks.append(current_week)
        # 处理跨年逻辑：如果是当年第52周，下一周是下一年第1周
        if current_week % 100 == 52:
            current_week = (current_week // 100 + 1) * 100 + 1
        else:
            current_week += 1

# 筛选出目标周的数据
filtered_df = df[df['week'].isin(target_weeks)]

第二步：计算销售占比 #

销售占比通常有两种业务口径，你按需选就行：

口径1：该SKU在对应零售商当周总销售额中的占比 #

先按零售商+周分组，算出每个零售商每周的总销售额，再合并回原数据计算占比：

# 计算每个零售商每周的总销售额
retailer_weekly_total = filtered_df.groupby(['retailer', 'week'])['sales'].sum().reset_index(name='retailer_weekly_sales')

# 把总销售额合并到原数据里
merged_df = pd.merge(filtered_df, retailer_weekly_total, on=['retailer', 'week'], how='left')

# 计算占比：SKU销售额 / 对应零售商当周总销售额
merged_df['sku_retailer_share'] = merged_df['sales'] / merged_df['retailer_weekly_sales']

口径2：该零售商-SKU在全市场当周总销售额中的占比 #

类似的，先算全市场每周的总销售额，再合并计算占比：

# 计算全市场每周的总销售额
market_weekly_total = filtered_df.groupby('week')['sales'].sum().reset_index(name='market_weekly_sales')

# 合并数据
merged_df = pd.merge(filtered_df, market_weekly_total, on='week', how='left')

# 计算占比：零售商-SKU销售额 / 全市场当周总销售额
merged_df['sku_market_share'] = merged_df['sales'] / merged_df['market_weekly_sales']

第三步：计算目标周内的零售商-SKU均值 #

这里的均值可以是销售额均值或者占比均值，看你需求：

情况1：每个零售商-SKU在目标周内的销售额均值 #

# 按零售商+SKU分组，计算销售额的周均值
sku_retailer_avg_sales = merged_df.groupby(['retailer', 'sku'])['sales'].mean().reset_index(name='avg_weekly_sales')

情况2：每个零售商-SKU在目标周内的占比均值（比如用口径1的占比） #

# 按零售商+SKU分组，计算占比的周均值
sku_retailer_avg_share = merged_df.groupby(['retailer', 'sku'])['sku_retailer_share'].mean().reset_index(name='avg_sku_retailer_share')

额外：如果需要分区间单独计算 #

因为你的score_period是多个不连续的周区间，要是想分别计算每个区间内的占比和均值，可以把逻辑封装成函数，遍历每个区间处理：

def compute_period_metrics(df, start_week, end_week):
    # 生成当前区间的所有周数
    period_weeks = []
    current = start_week
    while current <= end_week:
        period_weeks.append(current)
        if current % 100 == 52:
            current = (current // 100 + 1) * 100 + 1
        else:
            current += 1
    # 筛选当前区间的数据
    period_df = df[df['week'].isin(period_weeks)]
    
    # 计算零售商周总销售额&占比（这里用口径1，你可以换成口径2）
    retailer_weekly_total = period_df.groupby(['retailer', 'week'])['sales'].sum().reset_index(name='retailer_weekly_sales')
    period_df = pd.merge(period_df, retailer_weekly_total, on=['retailer', 'week'], how='left')
    period_df['sku_retailer_share'] = period_df['sales'] / period_df['retailer_weekly_sales']
    
    # 计算当前区间内的均值
    period_metrics = period_df.groupby(['retailer', 'sku']).agg(
        avg_sales=('sales', 'mean'),
        avg_share=('sku_retailer_share', 'mean')
    ).reset_index()
    # 加上区间标识，方便区分
    period_metrics['period'] = f"{start_week}-{end_week}"
    return period_metrics

# 遍历所有区间，合并结果
all_period_results = pd.concat([compute_period_metrics(df, s, e) for s, e in score_period], ignore_index=True)

这样就能得到每个周区间内，每个零售商-SKU的销售占比和对应的均值啦。

内容的提问来源于stack exchange，提问作者user6083088