用Pythonic方法读取数据，为热图创建分数列表？

我正试图找出一种方法，从熊猫df生成一个“z分数”，用于日历热图

。它沿“x”轴显示一周中的哪一天，沿“y”轴显示几周。每个日期都有一个数值“z分数”，创建这个z分数是我遇到麻烦的地方

My df是从csv文件创建的，该文件列出了几个不同的任务，其中包含以下列和一些示例数据：

Job,Tool,Start,End
A,Hammer,2020-10-03,2020-11-02
A,Drill,2020-11-05,2020-12-02
A,Hammer,2020-12-03,2020-12-30

该数据适用于甘特图，但需要稍加修改以用于热图。我已经能够使用熊猫来生成重要的日期：

def calendarmap():
    d1 = min(dff['Start'])

    d2 = max(dff['End'])

    delta = d2 - d1

    dates_that_matter = [d1 + dt.timedelta(i) for i in range(delta.days+1)]

    etc

不管使用什么热图方法（sns、go.heatmap等），我都需要创建一个与所用工具（z分数）对应的列表

我想写一个简单的脚本：

重复我的重要约会

检查该日期是否在my df中每一行的开始日期或结束日期之间

如果日期出现在我的df中，它应该将z分数写入对应于每个唯一工具的列表中。有了这个示例数据，我会很高兴Hammer=0.5，Drill=1.0

如果日期不存在，则分配的z分数应为0。日期仍然存在，但它应该反映出那天没有工作

允许使用不同数量的工具。在此示例中，有3个z分数状态（0=无，0.5=锤击，1.0=钻孔），但z分数状态的数量可能在2到10之间波动

---

第2步和第5步是目前我面临的挑战。在此方面的任何帮助都将不胜感激。谢谢。

只回答数据创建问题。 工艺流程：

从原始数据框的每一行创建一个从开始日期到结束日期的数据框，并将其添加到新数据框中。（创建垂直数据）

添加工作负载列

按日期合计工作量

添加缺少的日期。（dfs.reindex（））

为周、周中的天和月中的月添加列。 这就完成了图形数据。 顺便说一句，为了验证，我把它转换成了一种水平格式，其中有月和日列，就像日历一样

---

只回答数据创建问题。 工艺流程：

从原始数据框的每一行创建一个从开始日期到结束日期的数据框，并将其添加到新数据框中。（创建垂直数据）

添加工作负载列

按日期合计工作量

添加缺少的日期。（dfs.reindex（））

为周、周中的天和月中的月添加列。 这就完成了图形数据。 顺便说一句，为了验证，我把它转换成了一种水平格式，其中有月和日列，就像日历一样

---

这太棒了！我在此基础上创建了用于工作负载颜色编码的dfs，然后使用DFSLABLE为热图添加日期注释。这太棒了！在此基础上，我创建了用于工作负载颜色编码的dfs，然后创建了DFSLABLE，用于在热图上标注日期。

fig.add_trace(go.Heatmap(z = z, x = x, y = y)

dfs = pd.DataFrame()
for idx, row in df.iterrows():
    tmp_date = pd.date_range(row['Start'], row['End'], freq='1D')
    tmp_df = pd.DataFrame({'Date':pd.to_datetime(tmp_date), 'Job':row['Job'], 'Tool':row['Tool']})
    dfs = dfs.append(tmp_df, ignore_index=True)
dfs['workload'] = dfs['Tool'].apply(lambda x: 1 if x == 'Drill' else 0.5 if x == 'Hammer' else 0.75)
dfs.set_index('Date', inplace=True)
dfs = dfs.groupby(dfs.index)['workload'].sum().to_frame()
dfs = dfs.reindex(pd.date_range(dfs.index.min(), dfs.index.max(), freq='1D',name='Date'), fill_value=0, axis='index')
dfs.reset_index(inplace=True)

import calendar
def getNweek(x):
    first_dayofweek = calendar.monthrange(x.year, x.month)[0]
    offset = (first_dayofweek - 6) % 7
    return (x.day + offset -1) // 7 + 1
dfs['nweek'] = dfs['Date'].apply(lambda x: getNweek(x))
dfs['month'] = dfs['Date'].dt.month
dfs['dayofweek'] = dfs['Date'].dt.dayofweek

dfs.head()
Date    workload    nweek   month   dayofweek
0   2020-10-03  0.5     1   10  5
1   2020-10-04  0.5     2   10  6
2   2020-10-05  0.5     2   10  0
3   2020-10-06  0.5     2   10  1
4   2020-10-07  0.5     2   10  2

dfs = dfs.pivot(index='nweek', columns=['month', 'dayofweek'], values='workload')

import itertools
dow = [6,0,1,2,3,4,5]
m = [10,11,12]
new_cols = list(itertools.product(m,dow))
dfs.reindex(new_cols, axis=1)
    month                    10                 11                              12
dayofweek   6   0   1   2   3   4   5   6   0   1   ...     3   4   5   6   0   1   2   3   4   5
nweek                                                                                   
1   NaN     NaN     NaN     NaN     NaN     NaN     0.50    1.25    1.25    0.0     ...     1.0     1.0     1.0     NaN     NaN     2.0     2.0     0.5     0.5     0.5
2   0.50    0.50    0.50    0.50    0.50    0.50    0.50    1.00    1.00    1.0     ...     1.0     1.0     1.0     0.5     0.5     0.5     0.5     0.5     0.5     0.5
3   0.50    0.50    0.50    0.50    0.50    0.50    0.50    1.00    1.00    1.0     ...     1.0     1.0     1.0     0.5     0.5     0.5     0.5     0.5     0.5     0.5
4   0.50    0.50    0.50    0.50    0.50    1.25    1.25    1.00    1.00    1.0     ...     2.0     2.0     2.0     0.5     0.5     0.5     1.0     1.0     1.0     1.0
5   1.25    1.25    1.25    1.25    1.25    1.25    1.25    2.00    2.00    NaN     ...     NaN     NaN     NaN     1.0     1.0     1.0     1.0     NaN     NaN     NaN