17370845950

本文介绍一种使用 pandas 高效实现“按 7 小时/天上限、跳过周末、顺序填充工时”的自动化方案，适用于项目排期、资源调度等场景。核心思路是基于业务日偏移动态生成 plannedstart，并智能拆分 hours 字段。

在实际项目管理或人力资源排班中，常需将总工时（如 15 小时）按「单日最多 7 小时」「仅限周一至周五」的约束，从最早起始日开始连续分配。难点在于：工时分配不是独立的——后序 ID 必须避开前序已占满的工作日，即需全局顺序排程，而非简单按 ID 分组处理。

幸运的是，pandas 提供了优雅的向量化解决方案，无需显式循环或状态维护。关键在于利用 BusinessDay 偏移与 groupby.cumcount() 的协同，实现「按需重复行 + 按组递增工作日 + 精确拆分尾数」三步闭环。

✅ 实现步骤详解

首先确保日期列已转为 datetime64 类型（已含在原始代码中）：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'ID': [1, 2, 3],
    'EarliestStart': ['28.09.2025', '29.09.2025', '15.11.2025'],
    'Hours': [15.00, 5.00, 23.00]
})
df['EarliestStart'] = pd.to_datetime(df['EarliestStart'], format='%d.%m.%Y')

接着执行核心逻辑：

# Step 1: 按所需天数重复每行（向上取整：ceil(Hours / 7)）
out = df.loc[df.index.repeat(np.ceil(df['Hours'].div(7)))]

# Step 2: 为每组（原 ID）添加递增的 BusinessDay 偏移
n = out.groupby(level=0).cumcount()
out['PlannedStart'] = out['EarliestStart'] + n * pd.offsets.BusinessDay()

# Step 3: 提取星期名称（自动本地化，如 'Thursday'）
out['Weekday'] = out['PlannedStart'].dt.day_name()

# Step 4: 计算每日分配工时 —— 前 N−1 天为 7h，最后一天为余数（若余数为 0，则最后两天均分？不，此处按题意设为 7）
s = out.pop('Hours').mod(7)
out['HoursSplitted'] = np.where(
    out.index.duplicated(keep='last') | s.eq(0),
    7.0,
    s
)

# 可选：格式化输出为欧洲风格（dd.MM.yyyy）及千分位逗号
out['PlannedStart'] = out['PlannedStart'].dt.strftime('%d.%m.%Y')
out['EarliestStart'] = out['EarliestStart'].dt.strftime('%d.%m.%Y')
out['HoursSplitted'] = out['HoursSplitted'].apply(lambda x: f"{x:.2f}".replace('.', ','))

⚠️ 注意事项与边界说明

• BusinessDay 默认跳过周六、周日及节假日（如需自定义节假日，可传入 holidays= 参数）；
• groupby(level=0) 依赖 re

  

  peat 后索引保留原始位置，因此必须使用 .loc[...] 而非 .reindex(...)；
• s.eq(0) 判断余数为 0 的情况（如 14h → 2×7h），此时末尾两行均应为 7h，代码中通过 duplicated(keep='last') | s.eq(0) 确保倒数第二行也设为 7；
• 若存在跨月/跨年排期，BusinessDay 仍能正确计算（如 2025-12-29 → 2025-01-02）；
• 输出顺序严格保持原始 ID 顺序，且同一 ID 的多行按 PlannedStart 递增排列，天然满足“最早可用”语义。

? 总结

该方案以声明式风格替代过程式逻辑，充分利用 pandas 的索引对齐与时间偏移能力，兼具性能与可读性。它不仅解决了示例中的 7 小时/天、跳过周末、全局顺序占用等约束，还可轻松扩展支持：
? 自定义日工作上限（修改除数 7）；
? 多班次/多资源并行排程（增加分组维度）；
? 加入优先级权重或截止日期约束（配合 sort_values 预排序）。

对于中等规模数据（