#仓库产品库存dc_inventory data1 = pd.read_csv('D:\运筹优化\杉数科技比赛\data\dc_inventory.csv') grouped = df.groupby(['dc_id', 'sku_id']).sum() results = [] for dc, group in grouped.groupby('dc_id'): dc_results = [] for index, row in group.iterrows(): dc_results.append(row['available_inv']) results.append(dc_results) print(results)中识别每个仓库中产品的库存，给没有库存数据的产品数组中补数据零

可以尝试使用pivot_table函数来实现数据重塑，然后再使用fillna函数来将NaN值填充为0。

代码示例：

import pandas as pd

# 读取数据
1 = pd.read_csv('D:\\运筹优化\\杉数科技比赛\\data\\dc_inventory.csv')

# 使用pivot_table函数将数据重塑
table = pd.pivot_table(data1, values='available_inv', index=['dc_id'], columns=['sku_id'], aggfunc=sum)

# 使用fillna函数将NaN值填充为0
table = table.fillna(0)

# 将结果转换为列表输出
results = table.values.tolist()

print(results)

这样就可以得到每个仓库中产品的库存数据，并且缺失的数据都被补充为0了。

相关问题

#仓库产品库存dc_inventory data1 = pd.read_csv('D:\运筹优化\杉数科技比赛\data\dc_inventory.csv') grouped = df.groupby(['dc_id', 'sku_id']).sum() results = [] for dc, group in grouped.groupby('dc_id'): dc_results = [] for index, row in group.iterrows(): dc_results.append(row['available_inv']) results.append(dc_results) print(results)

这段代码的作用是读取一个名为 "dc_inventory.csv" 的文件，然后按照仓库和产品分组，计算每个组的可用库存量，并将结果存储在一个嵌套列表中。具体来说，它首先使用 Pandas 库的 read_csv 函数来读取 CSV 文件，并将其存储在名为 data1 的变量中。然后，它使用 groupby 函数将数据按照 'dc_id' 和 'sku_id' 两个列进行分组，并使用 sum 函数计算每个组的可用库存量。接着，它创建了一个名为 results 的空列表，并迭代每个仓库的分组，将每个仓库内的产品的可用库存量存储在名为 dc_results 的列表中，并将其添加到结果列表中。最后，它打印出结果列表。

import pandas as pd # 读取数据 data1 = pd.read_csv('D:\运筹优化\杉数科技比赛\data\dc_inventory.csv') # 使用pivot_table函数透视数据，填充缺失值为0 pivoted = data1.pivot_table(values='available_inv', index=['dc_id'], columns=['sku_id'], fill_value=0) # 将透视后的数据转化为列表 results = pivoted.values.tolist() print(results)中每个仓库的产品数量是多少

在你提供的代码中，使用了 pandas 库的 pivot_table 函数将原始数据透视成了以仓库ID（dc_id）为行索引，产品ID（sku_id）为列索引，可用库存数量（available_inv）为值的二维表格。而 results 变量则将透视后的数据转换为了一个列表。

因此，results 列表中每个元素都是一个仓库的产品可用库存数量列表，列表的长度就是产品的数量。你可以通过 results 列表中的每个子列表来获取每个仓库的产品数量。例如，results[0] 就是第一个仓库中每个产品的可用库存数量列表。