如何在pandas中创建按月合计的枢轴列

Question

我们有原始银行数据，以便以后进行信用评分风险审计。其简化形式如下:

import pandas as pd
d = {'contract_id':['1175082589', '1175082589', '1175082589','1175082589','1575082194','1575082194','1575082194','1575082194'],
'date_of_contract_signature':['2019-05-01','2019-05-01','2019-05-01','2019-05-01','2019-06-01','2019-06-01','2019-06-01','2019-06-01'], 
'date_of_report': ['2019-05-01', '2019-06-01', '2019-07-01','2019-08-01','2019-06-01', '2019-07-01', '2019-08-01','2019-09-01'], 
'debt_90_plus':[0, 0, 34800,34800,0,0,56500,56500]}
df=pd.DataFrame(data=d)
print(df)
contract_id date_of_contract_signature date_of_report  debt_90_plus
0  1175082589                 2019-05-01     2019-05-01             0
1  1175082589                 2019-05-01     2019-06-01             0
2  1175082589                 2019-05-01     2019-07-01         34800
3  1175082589                 2019-05-01     2019-08-01         34800
4  1575082194                 2019-06-01     2019-06-01             0
5  1575082194                 2019-06-01     2019-07-01             0
6  1575082194                 2019-06-01     2019-08-01         56500
7  1575082194                 2019-06-01     2019-09-01         56500

结果应该是每月变化的debt_90_plus:

d1={'date_of_contract_signature': ['2019-05-01', '2019-06-01'], 1:[0, 0],2:[0,0],3:[34800,56500],4:[34800,56500]}
df1=pd.DataFrame(data=d1)
print(df1)
date_of_contract_signature  1  2      3      4
0                 2019-05-01  0  0  34800  34800
1                 2019-06-01  0  0  56500  56500

I am try:

print(pd.pivot_table(df,index=['date_of_contract_signature','date_of_report']))

返回非常错误的结果:

debt_90_plus
date_of_contract_signature date_of_report              
2019-05-01                 2019-05-01                 0
2019-06-01                 0
2019-07-01             34800
2019-08-01             34800
2019-06-01                 2019-06-01                 0
2019-07-01                 0
2019-08-01             56500
2019-09-01             56500

什么可以帮助解决这个问题?

Answer 1

示例

我认为在Q&A中不需要长列名。它只是在编写代码或创建输出时不方便。所以我把列名改成简单的

d = {'id':['1175082589', '1175082589', '1175082589','1175082589','1575082194','1575082194','1575082194','1575082194'],
'date_A':['2019-05-01','2019-05-01','2019-05-01','2019-05-01','2019-06-01','2019-06-01','2019-06-01','2019-06-01'], 
'date_B': ['2019-05-01', '2019-06-01', '2019-07-01','2019-08-01','2019-06-01', '2019-07-01', '2019-08-01','2019-09-01'], 
'debt':[0, 0, 34800,34800,0,0,56500,56500]}
df=pd.DataFrame(data=d)

df

id          date_A      date_B      debt
0   1175082589  2019-05-01  2019-05-01  0
1   1175082589  2019-05-01  2019-06-01  0
2   1175082589  2019-05-01  2019-07-01  34800
3   1175082589  2019-05-01  2019-08-01  34800
4   1575082194  2019-06-01  2019-06-01  0
5   1575082194  2019-06-01  2019-07-01  0
6   1575082194  2019-06-01  2019-08-01  56500
7   1575082194  2019-06-01  2019-09-01  56500

制作同一日期的订单系列

s1 = df.groupby('date_A').cumcount().add(1)

s1

0    1
1    2
2    3
3    4
4    1
5    2
6    3
7    4
dtype: int64

make pivot_table withs1

out = df.pivot_table('debt', index='date_A', columns=s1).reset_index()

out

date_A      1   2   3       4
0   2019-05-01  0   0   34800   34800
1   2019-06-01  0   0   56500   56500

---

其他方式

如果你熟悉pandas，你也可以使用下面的一行代码

out = (df.groupby('date_A')['debt'].apply(lambda x: pd.Series(list(x)))
.unstack().rename(columns=lambda x: x + 1).reset_index())

相同的结果