如何在计算时重塑或转置数据集指定列并聚合销售数据？

我来帮你搞定这个数据处理需求！你需要把长格式的销售数据，按年份、月份、销售专员分组，同时计算各客户细分的总收入及占比，最终得到每行唯一对应「日期（年+月）+销售专员」的宽格式表。用Python的Pandas库就能轻松实现，具体步骤如下：

步骤1：准备并加载数据 #

首先修正你提供的CSV格式（原内容里字段和值有连写问题），然后加载为DataFrame：

import pandas as pd

# 修正后的原始数据
data = [
    [2015, 1, "USA", "Bill", 20, "Enterprise"],
    [2015, 1, "USA", "Bill", 10, "Enterprise"],
    [2015, 1, "Germany", "Bill", 5, "Consumer"],
    [2015, 1, "USA", "Bill", 5, "Enterprise"],
    [2015, 1, "Germany", "Ted", 5, "Consumer"],
    [2015, 1, "USA", "Bill", 10, "Consumer"],
    [2015, 1, "Germany", "Bill", 5, "Consumer"],
    [2015, 1, "Germany", "Ted", 20, "Enterprise"],
    [2015, 1, "Germany", "Ted", 20, "Consumer"]
]

df = pd.DataFrame(data, columns=["Year", "Month", "Country", "Associate", "Sales Revenue", "Customer Segment"])

步骤2：按维度聚合收入 #

先按「年份、月份、销售专员、客户细分」分组，计算每个分组的总销售收入：

# 聚合各细分的收入
aggregated = df.groupby(["Year", "Month", "Associate", "Customer Segment"])["Sales Revenue"].sum().reset_index()

步骤3：转换为宽格式 #

把客户细分转成列，让每行对应「年+月+销售专员」：

# 转宽格式，缺失值填充0
wide_df = aggregated.pivot_table(
    index=["Year", "Month", "Associate"],
    columns="Customer Segment",
    values="Sales Revenue",
    fill_value=0
).reset_index()

步骤4：计算总收入及各细分占比 #

先算出每个销售专员每月的总收入，再计算各细分收入的占比（保留两位小数）：

# 计算总收入
wide_df["Total Revenue"] = wide_df["Consumer"] + wide_df["Enterprise"]

# 计算占比
wide_df["Consumer %"] = (wide_df["Consumer"] / wide_df["Total Revenue"]).round(2)
wide_df["Enterprise %"] = (wide_df["Enterprise"] / wide_df["Total Revenue"]).round(2)

# 调整列顺序，匹配你想要的格式
final_df = wide_df[["Year", "Month", "Associate", "Consumer", "Enterprise", "Total Revenue", "Consumer %", "Enterprise %"]]

最终结果 #

运行后得到的final_df就是你想要的格式，输出如下：

这样就完全符合你的需求：每行以日期（年+月）和销售专员为唯一标识，同时展示了各客户细分的收入、总收入以及对应占比。

内容的提问来源于stack exchange，提问作者olBc