经常听别人说 Python 在数据领域有多厉害，结果学了很长时间，连数据处理都麻烦得要死。后来才发现，原来不是 Python 数据处理厉害，而是他有数据分析神器—— pandas

前言

Excel 中的 vlookup 函数有一个模糊查找选项，其内在原理为二分法查找，在 pandas 中同样有一样功能的方法。

场景

如下某物资取货记录：



  • 左表为取货登记，有登记时间和数量
  • 右表为批次库存数量
  • 出库规则为按批次从小到大优先出库，也就是说，批次1被取完，才会取批次2，以此类推
  • 现在希望把左表每个人取货记录标记是哪个批次

问题类似匹配查找，是一种模糊匹配，比如 30 不是直接匹配 30 对应的记录，而是匹配到高于30最近的点(批次表的第一个点50)



Excel解决方法

首先要知道每个人取货之前已经累计被拿了多少数量：



  • 通过简单的固定地址，直接使用 sum 函数即可
  • 第一行的记录比较特殊，这里简单处理，直接手工填充0(复杂处理就会sum公式变复杂一点)

同样道理，处理批次表：



  • 注意把公式写在表的左方，方便后续处理(别跟我说 vlookup 配合数组公式可以右往左匹配，非常讨厌无关逻辑嵌套一起的东西)

现在可以直接使用 vlookup 了：



  • 注意最后一个参数是1，模糊查找
  • 这里有个前提是，右表的数值列必须为升序，否则结果可能出乎意料



pandas解决方法

pandas 中的做法基本上每一句代码就对应 Excel 中的一个操作：



  • 行1、2：加载数据，不多说
  • 行4、5：对2个表排序。这其实是很关键一步，上面 Excel 操作中省去了这2个操作
  • 行7、8：对应 Excel 中的求出"累计列"的操作
  • 行10：pd.cut 相当于模糊查找的 vlookup 。但是这方法比 vlookup 麻烦，每个区间的分割点必需比区间要多1个数量(这符合数据分段逻辑，但不方便数据表操作)
  • 所以在参数 bins 里面，我们特意添加一个比较大的数 1000 上去
  • 参数 right=False ，是让边界值归左边界处理。比如数量50，是属于批次1，而不是批次2

针对上述说的 pd.cut 的缺点，我们可以自定义一个函数，简化操作：



  • 把数据源(参数 x)的总和添加到分段点(参数 bins)中即可
  • 为了让其行为默认与 Excel vlookup 一致，把参数 right 默认值设置为 False

现在调用就清晰很多了：