将值赋值给具有时间和累计条件的列

Question

我试过这个解决办法，但对我没有用。我要解释一下整个问题。我要做的是优化将客户分配给商业雇员。这些列将是"center“(商业部门)、" client”(客户端的编号)、" user“(如果客户端没有用户，这意味着它是一个新的客户端)、”assigned_user“和"assigned_user"，这些列应该是根据优化标准分配给该客户端的最终员工。我最初的df是：

df = pd.DataFrame({
"center": ['0060','0060','0060','0060','0060','0060','0060','0060','0060','0060','0070','0070','0070','0070','0070','0070','0070','0070','0080','0080','0080','0080','0080','0080','0080','0080','0080','0080','0080','0080','0080'],
"client": ['C00001','C00002','C00003','C00004','C00005','C00006','C00007','C00008','C00009','C00010','C00011','C00012','C00013','C00014','C00015','C00016','C00017','C00018','C00019','C00020','C00021','C00022','C00023','C00024','C00025','C00026','C00027','C00028','C00029','C00030','C00031'],
"user": ['A','A','A','A','A','B','B','B','NaN','NaN','C','C','C','C','C','D','D','D','E','E','E','E','E','F','F','F','G','G','NaN','NaN','NaN'],
"value": [5,5,3,5,2,5,2,2,2,3,5,4,4,1,1,3,3,3,5,3,2,2,5,5,2,2,5,3,1,2,3], 
"assigned_user": ['NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN','NaN']
})

我需要的是根据每个员工和中心客户的价值做出最优的分配。例如，对于中心(或部门) 0060，我有两个雇员(A & B)，总值为clients = 34，因此每个用户都应该在列assigned_user中拥有总价值为17的客户端。在这个中心，根据列用户的说法，A有总价值为20的客户，B有9的客户。我必须重新分配客户在每个员工中保持最大可能，对于A，它需要释放一个值为3的客户，而对于B，它需要保留他的初始客户，得到未分配的客户(NaN在“用户”栏中)，并得到A必须松的客户。

为中心0080，我们有3名员工(E，F& G)，总客户价值40。每个员工的客户总价值应该在13.3左右(不一定要准确，只是最接近的可能值)。在这种情况下，根据“用户”一栏，E的总客户值为17，F的客户值为9，G的客户值为8。在这种情况下，也有3个没有员工的客户，总价值为6。在这种情况下，E应该释放值为3或4的客户端，将这些客户端(以及没有指定员工的客户)分配给员工F& G，并一如既往地保持F和G已经分配的员工的总价值，并且尝试F和G的总价值可能与"assigned_user“列中的13,3最接近(他们都可以有13或1个可能有14和其他12，它不在乎)。

Answer 1

首先，这不是解决这个问题的优化方法，因为我并不完全依赖于numpy提供的广播概念。

而且，为了便于输入，我只使用了解决方案所需的有用列-- value和asigned_user。

算法:

利用repeatitive occurrence

• Finally，

1. ，利用np.cumsum计算value列
2. 的累积和，然后对上述结果进行模块广播运算，给出了remender为0的索引数，这有助于我们利用累积差分法提取value的no值，得到每个字符的no值。

实现:

from operator import index
import pandas as pd
import numpy as np

df = pd.DataFrame({
    "value": [5, 5, 2, 3, 2, 3, 5, 5],
    "asigned_user":['A', 'A', 'B', 'B', np.nan, np.nan, np.nan, np.nan]
})

index = list(df.value[df.value.cumsum()%10 == 0].index + 1)
final_index = [index[0]]
final_index.extend(np.diff(index))

map_ = [j*i for i,j in zip(("A", "B", "C"), final_index)]
map_final = ''.join(map_)
df['assigned_user'] = list(map_final)

print(df)

输出:

   value asigned_user
0      5            A
1      5            A
2      2            B
3      3            B
4      2            B
5      3            B
6      5            C
7      5            C