查找列中值的平均值，并创建一个新的数据帧来分布平均值

Question

我想最好使用python将列中的现有值替换为同一列的平均值。我想把付款平均分配到从付款的第一个月到最后一个月的所有月份。平均每月付款应按cust_id和sub_id进行分配。

付款可能会跳过几个月，并且不相同。

我希望你能在这方面帮助我，因为我才刚刚开始学习python。

数据如下：

日期12/1/202/2/212/3/215/1/211/2/213/1/21>4/23>

cust_id	sub_id	付款
1	A	200
1	A	200
1	A	100
1	A	200
1	B	50
1	B	20
1	B	80
1	B	90
2	C	200
2	C	300

使用resample()和transform()函数只需几个步骤即可完成：

首先，我们将丢失的月份添加到原始表中，将所有日期值更改为该月的第一个，将同一个月的行与添加的原始付款值合并，并将0放在新行中的付款列中：

resampled_df = (df
.set_index('date')
.groupby(['cust_id', 'sub_id'])
.resample('MS')
.agg({'payment': sum})
.reset_index()
)

然后，我们计算每组所有月份的平均值，并将该平均值分配给组中的每一行，将结果分配给一个新列：

resampled_df['avg_monthly_payment'] = (resampled_df
.groupby(['cust_id', 'sub_id'])['payment']
.transform('mean')
)

正如评论中所指出的，您对cust_id=2和sub_id='C'的回答似乎与您的要求不一致，所以我采用后者。

首先，我们将日期聚合为最小值、最大值，并将付款聚合为总和：

df2 = df.groupby(['cust_id','sub_id']).agg({'date':[min,max], 'payment':sum})
df2.columns = df2.columns.get_level_values(1)
df2

我们得到

min         max         sum
cust_id sub_id          
1   A   2020-12-01  2021-05-01  700
B   2021-01-02  2021-04-23  240
2   C   2021-01-04  2021-01-09  500

然后，我们为每一行创建一个从最小到最大的月度时间表。在这里，你可能需要稍微调整一下日期，才能把它们排好，我只是做了一些基本的工作来展示这个想法：

from datetime import timedelta
df2['schedule'] = df2.apply(lambda row: pd.date_range(row['min'],row['max'] + timedelta(days = 31), freq = '1M'),axis=1)

现在df2看起来是这样的：

min                  max                    sum  schedule
--------  -------------------  -------------------  -----  ---------------------------------------------------------------------------------------------------------
(1, 'A')  2020-12-01 00:00:00  2021-05-01 00:00:00    700  DatetimeIndex(['2020-12-31', '2021-01-31', '2021-02-28', '2021-03-31',
    '2021-04-30', '2021-05-31'],
   dtype='datetime64[ns]', freq='M')
(1, 'B')  2021-01-02 00:00:00  2021-04-23 00:00:00    240  DatetimeIndex(['2021-01-31', '2021-02-28', '2021-03-31', '2021-04-30'], dtype='datetime64[ns]', freq='M')
(2, 'C')  2021-01-04 00:00:00  2021-01-09 00:00:00    500  DatetimeIndex(['2021-01-31'], dtype='datetime64[ns]', freq='M')

现在我们explode我们的"时间表"和平均分配付款，并对列名等进行一些清理：

df3 = df2.groupby(['cust_id','sub_id'], as_index = False).apply(lambda g: g.explode('schedule'))
(df3.groupby(['cust_id','sub_id'], as_index = False)
.apply(lambda g: g.assign(sum = g['sum']/len(g)))
.reset_index(drop = False)
.drop(columns = ['min','max','level_0'])
.rename(columns = {'sum':'payment'})
)

获取

cust_id  sub_id      payment  schedule
--  ---------  --------  ---------  -------------------
0          1  A           116.667  2020-12-31 00:00:00
1          1  A           116.667  2021-01-31 00:00:00
2          1  A           116.667  2021-02-28 00:00:00
3          1  A           116.667  2021-03-31 00:00:00
4          1  A           116.667  2021-04-30 00:00:00
5          1  A           116.667  2021-05-31 00:00:00
6          1  B            60      2021-01-31 00:00:00
7          1  B            60      2021-02-28 00:00:00
8          1  B            60      2021-03-31 00:00:00
9          1  B            60      2021-04-30 00:00:00
10          2  C           500      2021-01-31 00:00:00