Python 使用自定义功能将年度数据分解为月度数据

我正试图按费用将年度订阅分为月度订阅

示例数据集-

import numpy as np
import pandas as pd

df = pd.DataFrame({
    'Customer_ID': [1, 2, 3, 4, 5],
    'Plan' : ['Yearly', 'Monthly', 'Monthly', 'Yearly', 'Yearly'],
    'Join_Date': ['1/10/2020', '1/15/2020', '2/21/2020', '2/21/2020', '3/09/2020'],
    'Fee' : [120, 12, 18, 86, 144]
})

df['Join_Date'] = pd.to_datetime(df['Join_Date'])

df

在这里，客户1在2020年1月至2021年1月期间的年订阅费为120美元。我希望我的数据框通过显示该年每个月的月费（$10），将2020-01和2020-12之间的费用细分为10美元（$120/12个月）

我尝试了很多重采样方法，但都不起作用。一个例子-

def atom(row):
    if df.Plan=='Yearly':
        return (df.Fee/12)

df.groupby(pd.Grouper(key='Join_Date', freq='1M')).apply(atom)

第一个客户的预期输出-

---

还有其他方法吗？

你在找这样的方法吗

import pandas as pd
df = pd.DataFrame({
    'Cutomer_ID': [1, 2, 3, 4, 5],
    'Plan' : ['Yearly', 'Monthly', 'Monthly', 'Yearly', 'Yearly'],
    'Join_Date': ['1/10/2020', '1/15/2020', '2/21/2020', '2/21/2020', '3/09/2020'],
    'Fee' : [120, 12, 18, 86, 144]
})

df['Join_Date'] = pd.to_datetime(df['Join_Date'])

df['Monthly_Fee'] = df['Fee']
df.loc[df['Plan'] == 'Yearly','Monthly_Fee'] = (df.Fee/12).round(2)

print (df)

其结果将是：

   Cutomer_ID     Plan  Join_Date  Fee  Monthly_Fee
0           1   Yearly 2020-01-10  120        10.00
1           2  Monthly 2020-01-15   12        12.00
2           3  Monthly 2020-02-21   18        18.00
3           4   Yearly 2020-02-21   86         7.17
4           5   Yearly 2020-03-09  144        12.00

---

首先通过

np.repeat（）

展开年度记录。然后在

df1[“计划”]=“每年”

上有选择地执行以下操作：

• 月费可以直接计算
• 可以使用

  groupby cumcount

  获得月增量，并映射到。这种方法接收一个

  性能警告

  ，该警告可以被抑制（在代码中省略）

代码 结果

---

您的最终数据帧是否应该每个月都有一行？你能把你想要的结果添加到这个问题上吗？你能不能不简单地做

df.loc[df['Plan']='Yearly']，'new_col']=df.Fee/12

@JoeFerndz不，它不会在日期X和日期Y之间的每个月输出每月值。我试着在2020年1月到2021年1月之间的每个月在同一个数据框中显示10美元。你能发布所需的输出，以便我们知道你在寻找什么吗？

# expand the Yearly records
df1 = df.loc[np.repeat(df.index, df["Plan"].map({"Yearly": 12, "Monthly":1}))]

# compute monthly fee and join date 
df1.loc[df1["Plan"] == "Yearly", "Fee"] /= 12
df1.loc[df1["Plan"] == "Yearly", "Join_Date"] += \
    df1.groupby(["Customer_ID", "Plan"]).cumcount()\
       .loc[df1["Plan"] == "Yearly"]\
       .map(lambda i: pd.DateOffset(months=i))

print(df1)
   Customer_ID     Plan  Join_Date        Fee
0            1   Yearly 2020-01-10  10.000000
0            1   Yearly 2020-02-10  10.000000
0            1   Yearly 2020-03-10  10.000000
0            1   Yearly 2020-04-10  10.000000
0            1   Yearly 2020-05-10  10.000000
0            1   Yearly 2020-06-10  10.000000
0            1   Yearly 2020-07-10  10.000000
0            1   Yearly 2020-08-10  10.000000
0            1   Yearly 2020-09-10  10.000000
0            1   Yearly 2020-10-10  10.000000
0            1   Yearly 2020-11-10  10.000000
0            1   Yearly 2020-12-10  10.000000
1            2  Monthly 2020-01-15  12.000000
2            3  Monthly 2020-02-21  18.000000
3            4   Yearly 2020-02-21   7.166667
3            4   Yearly 2020-03-21   7.166667
3            4   Yearly 2020-04-21   7.166667
3            4   Yearly 2020-05-21   7.166667
3            4   Yearly 2020-06-21   7.166667
3            4   Yearly 2020-07-21   7.166667
3            4   Yearly 2020-08-21   7.166667
3            4   Yearly 2020-09-21   7.166667
3            4   Yearly 2020-10-21   7.166667
3            4   Yearly 2020-11-21   7.166667
3            4   Yearly 2020-12-21   7.166667
3            4   Yearly 2021-01-21   7.166667
4            5   Yearly 2020-03-09  12.000000
4            5   Yearly 2020-04-09  12.000000
4            5   Yearly 2020-05-09  12.000000
4            5   Yearly 2020-06-09  12.000000
4            5   Yearly 2020-07-09  12.000000
4            5   Yearly 2020-08-09  12.000000
4            5   Yearly 2020-09-09  12.000000
4            5   Yearly 2020-10-09  12.000000
4            5   Yearly 2020-11-09  12.000000
4            5   Yearly 2020-12-09  12.000000
4            5   Yearly 2021-01-09  12.000000
4            5   Yearly 2021-02-09  12.000000