Python 如何获得员工-->；没有单独表的管理器（pandas或SQL）？

是否有一个简单的代码来实现这一点？或者我应该试试SQL（我不太熟悉SQL）。以下是我到目前为止的情况（假例子，真实的例子大约有20000人）

雇员=

    EmpID   Name    Title   ManagerID
    abc123   John   Head    pqr456
    pqr456   Jake   VP      bs92999
    zyx987   Jill   Lead    abc123
    bs92999  Bob    SVP     NaN

复制数据帧： 经理=员工

roster = pd.merge(manager_df, employee_df, how='outer', left_on ='ManagerID', right_on = 'EmpID')

我的输出是混乱的，尽管看起来是正确的（它告诉我谁是经理，而不需要通过引用它自己单独的表）

最常见的期望输出是：

EmpID | Name | Title | Manager_Name

但有时我也需要另一个级别（老板的老板），最大可能有大约5层，这似乎很疯狂，但有很多层次结构-这样的高层并非总是必要的，但如果需要，我希望能够将这些数据上卷到更高的级别：

EmpID | Name | Title | Manager_Name_1 | Manager_Name_2

第三个数据帧报告_df：

EmpID | ManagerID | StartDate | EndDate

有时甚至在月中也会发生管理层变动，其结果应反映在“拥有”该员工的经理身上

file=包含EmpID的任何文件或报告，在该文件中，我可能希望找出该日期的经理（或其经理）是谁，该文件也包含在该文件中。这是解决这个问题的正确方法吗

for i in range(len(file)):  
        file.ix[i,'Manager'] = reporting_df[(reporting_df.StartDate.shift(-1) > file.StartDate[i]) &(reporting_df.StartDate <= file.Date[i])]

范围内i的

（len（文件））：
file.ix[i，'Manager']=reporting_-df[（reporting_-df.StartDate.shift（-1）>file.StartDate[i]）&（reporting_-df.StartDate这在某些方面可能有点棘手，所以让我们分步骤构建它。首先，让我们稍微重命名这些列，以便以后更容易（只需在其中三列中添加“_0”）：

这里的主要技巧是我们需要一个映射，它可以通过一个系列来完成：

df.set_index('EmpID')['Name_0']

这里的关键是我们将“EmpID”设置为索引，然后给我们一个从“EmpID”到“Name_0”的映射，我们也可以对“Title_0”和“ManagerID_0”这样做

请在一列中试用：

df['ManagerID_0'].map( df.set_index('EmpID')['Name_0'] )

0    Jake
1     Bob
2    John
3     NaN

现在，只需使用“for”来获取完整版本：

for i in range(3):
    for col in ['Name_','Title_','ManagerID_']:
        df[col+str(i+1)] = df['ManagerID_'+str(i)].map( 
                                            df.set_index('EmpID')[col+'0'] )

     EmpID Name_0 Title_0 ManagerID_0 Name_1 Title_1 ManagerID_1 Name_2    
0   abc123   John    Head      pqr456   Jake      VP     bs92999    Bob   
1   pqr456   Jake      VP     bs92999    Bob     SVP         NaN    NaN   
2   zyx987   Jill    Lead      abc123   John    Head      pqr456   Jake   
3  bs92999    Bob     SVP         NaN    NaN     NaN         NaN    NaN   

  Title_2 ManagerID_2 Name_3 Title_3 ManagerID_3  
0     SVP         NaN    NaN     NaN         NaN  
1     NaN         NaN    NaN     NaN         NaN  
2      VP     bs92999    Bob     SVP         NaN  
3     NaN         NaN    NaN     NaN         NaN  

我将范围设置为3，因为每个人在NaN都有“ManagerID_3”，但如果你有更多级别，当然可以设置得更高。
你可以在pandas中使用join-use-merge函数

x=new_-df2[['EmpID'，'ManagerID'，'Name']]。合并（new_-df2[['EmpID'，'ManagerID'，'Name']]，
左上为“ReportsTo”，右上为“EmployeeID”，左上为“how=”
x['EmpID_x'、'Name_x'、'Name_y']]。按管理器名称对值进行排序
x、 重命名（列={“Name_x”：“Employee_Name”，“Name_y”：“Manager_Name”}，inplace=True）
效果很好。这应该比永久存储这些列更有效。你对如何跟踪管理变化有什么建议吗？我想它是EmpID | ManagerID | StartDate | EndDate作为一个单独的表，然后以某种方式加入它？比如，如果我看一个员工，他一月份的表现应该在Jake之下，但是在2月15日，它切换到了Bob？很抱歉，我没有完全理解问题的最后一部分。我建议专门问一个新问题，特别是提供一些样本数据。提供样本数据和期望的结果越具体，你会得到更好的答案。
df['ManagerID_0'].map( df.set_index('EmpID')['Name_0'] )

0    Jake
1     Bob
2    John
3     NaN

for i in range(3):
    for col in ['Name_','Title_','ManagerID_']:
        df[col+str(i+1)] = df['ManagerID_'+str(i)].map( 
                                            df.set_index('EmpID')[col+'0'] )

     EmpID Name_0 Title_0 ManagerID_0 Name_1 Title_1 ManagerID_1 Name_2    
0   abc123   John    Head      pqr456   Jake      VP     bs92999    Bob   
1   pqr456   Jake      VP     bs92999    Bob     SVP         NaN    NaN   
2   zyx987   Jill    Lead      abc123   John    Head      pqr456   Jake   
3  bs92999    Bob     SVP         NaN    NaN     NaN         NaN    NaN   

  Title_2 ManagerID_2 Name_3 Title_3 ManagerID_3  
0     SVP         NaN    NaN     NaN         NaN  
1     NaN         NaN    NaN     NaN         NaN  
2      VP     bs92999    Bob     SVP         NaN  
3     NaN         NaN    NaN     NaN         NaN