Pandas中基于父子关系的销售数据分层汇总

Question

我有一个Dataframe，其中包含每个销售人员的销售数据，如下所示：

employee, product, quantity
emp_1, prod_a, 100
emp_1, prod_b, 200
emp_2, prod_a, 30
emp_4, prod_c, 400    
emp_4, prod_a, 100

我有另一个具有团队层次结构的Dataframe

employee, manager
emp_1, emp_3
emp_2, emp_3
emp_3, emp_4   
emp_4, emp_5

我正在尝试创建这个主Dataframe，它有每个员工完成的销售，还映射了每个员工向其报告的经理

employee, product, quantity, manager
emp_1, prod_a, 100, emp_3
emp_1, prod_b, 200, emp_3
emp_2, prod_a, 30, emp_3
emp_1, prod_a, 100, emp_4
emp_1, prod_b, 200, emp_4
emp_2, prod_a, 30, emp_4
emp_4, prod_c, 400, emp_5
emp_4, prod_a, 100, emp_5
emp_1, prod_a, 100, emp_5
emp_1, prod_b, 200, emp_5
emp_2, prod_a, 30, emp_5

基本上，每个经理都继承了他们的下属编号，如果他们以自己的名义进行销售，也会继承他们的编号。

Answer 1

这可以用networkx来解决，但是我不熟悉要断言的包。但是，您可以尝试此解决方案，看看它是否适合您的用例：

在第二个数据帧中获取employee和manager的组合/压缩：

zipped = zip(df2.employee, df2.manager)
zipped = [(first, last, int(last[-1])) for first, last in zipped]

获取每个元组的最后一个条目的最大值：

from operator import itemgetter # cleaner if this is at the top
maximum = max(zipped, key = itemgetter(-1))[-1]

使用最大值在员工和经理之间创建配对：

mapping = {first : last 
           if num == maximum else 
          [f"emp_{n}" for n in range(maximum, num -1, -1)] 
          for first, last, num in zipped}

mapping
{'emp_1': ['emp_5', 'emp_4', 'emp_3'],
 'emp_2': ['emp_5', 'emp_4', 'emp_3'],
 'emp_3': ['emp_5', 'emp_4'],
 'emp_4': 'emp_5'}

map映射到employee，并使用结果数据与第一个数据帧合并：

df1.merge(df2.assign(manager = df2.employee
                                  .map(mapping))
                                  .explode('manager')
            )

   employee  product   quantity manager
0     emp_1   prod_a        100   emp_5
1     emp_1   prod_a        100   emp_4
2     emp_1   prod_a        100   emp_3
3     emp_1   prod_b        200   emp_5
4     emp_1   prod_b        200   emp_4
5     emp_1   prod_b        200   emp_3
6     emp_2   prod_a         30   emp_5
7     emp_2   prod_a         30   emp_4
8     emp_2   prod_a         30   emp_3
9     emp_4   prod_c        400   emp_5
10    emp_4   prod_a        100   emp_5