Python 将金额除以行

我想把一定数量的项目分成多行。每一行至少应该得到1，但其余的则根据其所需的份额，直到所有项目都已分发。 假设我们有6个，我想得到如下结果

使用

max（1，系数*可用）

不一定等于可用项目的总数

有办法吗？ 我有spark环境中的数据，所以最酷的方法是pyspark甚至pandas/numpy解决方案。 显然，这可以很容易地在python循环中完成

输入： 可用总数6

+---+-------------+
| c1|       factor|
+---+-------------+
|  A|        0.001|
|  B|          0.2|
|  C|          0.2|
|  D|          0.2|
|  E|          0.3|
+---+-------------+

预期产出：

+---+-------------+---------+
| c1|       factor|   result|
+---+-------------+---------+
|  A|        0.001|        1|
|  B|          0.2|        1|
|  C|          0.2|        1|
|  D|          0.2|        1|
|  E|          0.3|        2|
+---+-------------+---------+

---

如果我理解正确，我将以这种方式处理这个问题：

import numpy as np
import pandas as pd 

data = {'c1':['A','B','C','D','E'],'factor':[0.001,0.2,0.2,0.2,0.3]}
df = pd.DataFrame(data)
df['factor_rescaled'] = df['factor'] / df['factor'].sum()
available = int(input('Available = '))
df['result'] = np.where(round(df['factor_rescaled']*available,0) < 1,1,round(df['factor_rescaled']*available,0))
print(df)

重新调整比例是为了确保如果因子过高或过低，则可用的

值完全分布，并且没有过度/不足分布。最后，我不确定这个
可用的
数字来自哪里，所以我把它作为一个输入，例如
6

最终编辑：使用np。由于
的原因，您可以使用pandas：

>>> df
  c1  factor
0  A   0.001
1  B   0.200
2  C   0.200
3  D   0.200
4  E   0.300
>>> available, s = 6, df.factor.sum()
>>> df['result'] = df.factor.apply(lambda x: round(max(1, (x/s)*available)))
>>> df
  c1  factor  result
0  A   0.001     1.0
1  B   0.200     1.0
2  C   0.200     1.0
3  D   0.200     1.0
4  E   0.300     2.0

你为什么说这行不通？输入应该是用户输入吗？或者它来自哪里？简单地定义列不起作用
df['factor']=max（1，df['factor']*可用）
和
available=int（输入（'available='））
。您可以重新缩放
因子
，使其总是求和
1
，从而确保您的
可用
get完全分布，并与
因子
值成比例。问题是因子不求和1，因此如果使用available=1000，则无法完全分布。df['result'].sum（）将是
901
，而不是
1000
。@CeliusStingher感谢您提到这个问题。我修改了解决方案。
>>> df
  c1  factor
0  A   0.001
1  B   0.200
2  C   0.200
3  D   0.200
4  E   0.300
>>> available, s = 6, df.factor.sum()
>>> df['result'] = df.factor.apply(lambda x: round(max(1, (x/s)*available)))
>>> df
  c1  factor  result
0  A   0.001     1.0
1  B   0.200     1.0
2  C   0.200     1.0
3  D   0.200     1.0
4  E   0.300     2.0