特定列的熊猫中的vlookup

Question

我在熊猫中使用合并功能面临一些困难。我正在为此寻找某种vlookup公式。但是，我无法解决问题。

我的数据很大，由于机密性，我无法在这里共享。但是，我尝试在这里提出类似的数据。

旧代码	新代码	名称	发票日期
1001011	NA	奶酪蛋糕	02/02/2021
1001012	NA	Coffee	03/05/2021
1001011	NA	奶酪蛋糕	30/05/2021
NA	2002093	Jasmine	21/08/2021
NA	2002042	COOKIE	Tea
NA	2002080	咖啡	09/01/2022
NA	2002093	Jasmine Tea	05/05/2022
NA	2002058	奶酪蛋糕	07/06/2022

我想在上表中的成本列输入。但是，成本非常按发票日期（也请注意更改产品代码）。我们有2个成本表。 2021年：

旧代码	新代码	名称	JAN 21	年2月21日	，	3月21日4	月21日，	6	月21日，6月21日，7月21日，	21日	8月21日，8月21日，9月	， 10月21日	，11月21日	，12月21日
1001011	200201152058	奶酪蛋糕	50	51	50	53	54	52	55	53	50 52	53	53	53
1001012	2002080	咖啡	5	6	5	6	5	7	5	6	5	6	5 6 6	6
1001015	2002093	茉莉茶	4	3	3	4	4	3	3	3	3 3	3	3 3 3	4
1001020	200202002042	cookies	20	20 21	20 20	22 22	22	20	21	20	20 22	20	21	22

和2022年：

旧代码	新代码	名称	Jan-22	Feb-22	Mar-22	4	月22日，4月22日，6月	22日，7月22日，8月22日，	8月22日，	9月22日	，10月22日	，10月22	日22	Dec-22
1001011	2002058	奶酪蛋糕	52	52	55	55	56	52	Na Na Na Na Na Na Na Na Na Na	Na	Na	Na Na Na	Na Na	Na
1001015	2002093	Na Na Na Na Na Na Na Na Na Na Na Na	5 5.5	Na	Na	Na	Na	Na	Na Na	Na	Na Na	Na Na Na Na	Na Na	Na Na
5.5	5 5.5 5 5.5	Jasmine Tea	4	3	3	5 5.5 5	5.5 5	5.5	5	5.5	5 5.5	5	Na Na	NA
1001020	2002042	Cookies	22	22	23	23	23.5	23	NA	NA	NA	NA	NA	NA

So basically, I would like to have my cost column in my first Data Frame to reflect the correct costing for different Year and different Month.

示例：

03/05/2021 = May_2021的发票日期成本

Answer 1

合并时，您需要双方都有一个月和代码编号，因此：

1. 在发票数据框架中创建一个年度月份的列，该列与成本表相一致
2. ，将两个成本表分别
3. 与新代码和旧代码合并在一起

import pandas as pd
import io
import datetime

invoice_data_text = '''Old Code New Code    Name    Invoice Date
1001011 NA  Cheese Cake 02/02/2021
1001012 NA  Coffee  03/05/2021
1001011 NA  Cheese Cake 30/05/2021
NA  2002093 Jasmine Tea 21/08/2021
NA  2002042 Cookies 31/12/2021
NA  2002080 Coffee  09/01/2022
NA  2002093 Jasmine Tea 05/05/2022
NA  2002058 Cheese Cake 07/06/2022
'''

cost_2021_text = '''
Old Code    New Code    Name    Jan-21  Feb-21  Mar-21  Apr-21  May-21  June-21 Jul-21  Aug-21  Sep-21  Oct-21  Nov-21  Dec-21
1001011 2002058 Cheese Cake 50  51  50  53  54  52  55  53  50  52  53  53
1001012 2002080 Coffee  5   6   5   6   6   5   7   5   6   5   6   6
1001015 2002093 Jasmine Tea 4   3   3   4   4   3   5   3   3   3   3   4
1001020 2002042 Cookies 20  20  21  20  22  20  21  20  22  20  21  22
'''

cost_2022_text = '''
Old Code    New Code    Name    Jan-22  Feb-22  Mar-22  Apr-22  May-22  June-22 Jul-22  Aug-22  Sep-22  Oct-22  Nov-22  Dec-22
1001011 2002058 Cheese Cake 52  52  55  55  56  52  NA  NA  NA  NA  NA  NA
1001012 2002080 Coffee  5   6   5   6   6   6.5 NA  NA  NA  NA  NA  NA
1001015 2002093 Jasmine Tea 4   3   3   5   5   5.5 NA  NA  NA  NA  NA  NA
1001020 2002042 Cookies 22  22  23  23  23.5    23  NA  NA  NA  NA  NA  NA
'''

# Prepare
invoice_df = pd.read_csv(io.StringIO(invoice_data_text),sep="\t",parse_dates=["Invoice Date"])
cost21 = pd.read_csv(io.StringIO(cost_2021_text),sep='\t')
cost22 =  pd.read_csv(io.StringIO(cost_2022_text),sep='\t')

# Create Month column for merging
invoice_df["Month"] = invoice_df["Invoice Date"].map(lambda x:datetime.datetime.strftime(x,"%b-%y"))

# Combine two cost tables
cost21_stack = cost21.set_index(list(cost21.columns[:3])).stack().reset_index(name="Cost")
cost22_stack = cost22.set_index(list(cost22.columns[:3])).stack().reset_index(name="Cost")
cost_table = pd.concat([cost21_stack,cost22_stack]).rename({"level_3":"Month"},axis=1)

# Merge with new code and old code respectively
old_code_result = pd.merge(invoice_df[pd.isna(invoice_df["Old Code"]) == False], cost_table[["Old Code","Month","Cost"]], on=["Old Code","Month"] ,how="left")
new_code_result = pd.merge(invoice_df[pd.isna(invoice_df["New Code"]) == False], cost_table[["New Code","Month","Cost"]], on=["New Code","Month"] ,how="left")

# Combine result
pd.concat([old_code_result,new_code_result])