金额平均分配算法 python实现

有一些金额不等的合同需要分配给n个员工，尽可能地实现员工分配到的金额和数量是平均的。

网上找到了实现的算法，原文平均分配,移动欠费催收款数据的分配应用实例 - 李振波 - 博客园

里面给出了三种可行算法

第一种：

倒序贪婪(我称之为倒序贪婪，也不懂该叫什么)

过程大概是这样(把m份数据分配到n个人的头上)

1.1 把待分配的数据m从大到小排序;

1.2 从数据m取出n份做为初始值分配给n个人；

1.3 把这n个人的数据从小到大排序；

1.4 从数据m再取出n份数据累加到n个人的头上

1.5 重复1.3-1.4直至数据分配结束

第二种：

随机贪婪(我称之为随机贪婪，也不懂该叫什么)

过程大概是这样(把m份数据分配到n个人的头上)

1.1 从数据m中随机取出n份做为初始值分配给n个人；

1.2 把n个人的数据从小到大排序；

1.3 从数据m中随机再取出n份数据累加到n个人的头上

1.4 重复1.2-1.3直至数据分配结束

第三种：

先进行几轮倒序贪婪，把大额度的数据排除，余下的数据再进行随机贪婪

该文章作者用asp实现了，并且作者说第三种方法效果最好。我用python实现了，但是我的数据是是第一种方法效果最好，还没找到原因，可能是我的数据量大，没有很多离群的点？目前还不知道原因。

我的python代码

1.先倒序再贪婪

import pymysql
import pandas as pd
import numpy as npdef excuteSQL(excutesql):db = pymysql.connect(host='localhost', user='root', password='admin',database='cuishou')cursor = db.cursor()cursor.execute(excutesql)result = cursor.fetchall()title = [i[0].lower() for i in cursor.description]print('数据获取完毕！')cursor.close()db.close()return result, titledef commitSQL(excutedata):db = pymysql.connect(host='localhost', user='root', password='admin', database='cuishou')cursor = db.cursor()cursor.executemany("insert into fenpei(uid,cid,camt) values(%s,%s,%s)", excutedata)db.commit()cursor.close()db.close()print('数据插入完毕！')if __name__=='__main__':# 取出金额数据result,title = excuteSQL('select * from calllist;')repay_data = pd.DataFrame(list(result),columns=title)# 取出员工数据result,title = excuteSQL('select * from user;')user_data = pd.DataFrame(list(result),columns=title)# 第一步：打乱员工顺序user_data = user_data.sample(frac=1).reset_index(drop=True)user_num=user_data.shape[0]# 第二步：案件金额倒序排序repay_data = repay_data.sort_values(by='repay',ascending=False)repay_data = repay_data.reset_index(drop=True)# repay_data = repay_data[:7]repay_num=repay_data.shape[0]# 第三步：如果案件数量少于员工数量，直接分配if repay_num <= user_num:fenpei_data=pd.DataFrame({'uid': user_data.iloc[:repay_num, 0],'cid': repay_data.iloc[:, 0],'camt': repay_data.iloc[:, 1]})# 第四步：先倒序分配，当分配案件数超过总案件数量的五分之一时，开始随机分配else:# 先分配一轮fenpei_data=pd.DataFrame({'uid': user_data.iloc[:, 0],'cid': repay_data.iloc[:user_num, 0],'camt': repay_data.iloc[:user_num, 1]})i=user_num# 倒序分配while i < (repay_num//2):qiuhe_data = fenpei_data.groupby('uid')['camt'].sum().sort_values()linshi_data = pd.DataFrame({'uid': qiuhe_data.index,'cid': repay_data.iloc[i:i+user_num, 0],'camt': repay_data.iloc[i:i+user_num, 1]})fenpei_data = pd.concat([fenpei_data, linshi_data])i = i+user_num# 将案件随机打乱repay_data = repay_data[i:].sample(frac=1).reset_index(drop=True)repay_num_new=repay_data.shape[0]i=0while i < repay_num_new:# 取user_num和repay_num_new-i之间的较小值 赋值给jj = user_num if user_num < (repay_num_new-i) else (repay_num_new-i)# user现有金额升序排列qiuhe_data = fenpei_data.groupby('uid')['camt'].sum().sort_values()qiuhe_data = qiuhe_data.iloc[:j]# 取出一批案件倒序排列linshi_repay = repay_data[i:i+j].sort_values(by='repay', ascending=False)# 加入到分配数据中linshi_data = pd.DataFrame({'uid': qiuhe_data.index,'cid': linshi_repay['id'],'camt': linshi_repay['repay']})fenpei_data = pd.concat([fenpei_data, linshi_data])i = i+jresult_tuple=[tuple(xi) for xi in fenpei_data.values]commitSQL(result_tuple)

2.全倒序

# 第三步：如果案件数量少于员工数量，直接分配
if repay_num <= user_num:fenpei_data=pd.DataFrame({'uid': user_data.iloc[:repay_num, 0],'cid': repay_data.iloc[:, 0],'camt': repay_data.iloc[:, 1]})else:# 先分配一轮fenpei_data=pd.DataFrame({'uid': user_data.iloc[:, 0],'cid': repay_data.iloc[:user_num, 0],'camt': repay_data.iloc[:user_num, 1]})i=user_numwhile i < repay_num:# 取user_num和repay_num_new-i之间的较小值 赋值给jj = user_num if user_num < (repay_num-i) else (repay_num-i)# user现有金额升序排列qiuhe_data = fenpei_data.groupby('uid')['camt'].sum().sort_values()qiuhe_data = qiuhe_data.iloc[:j]# 取出一批案件倒序排列linshi_repay = repay_data[i:i+j].sort_values(by='repay', ascending=False)# 加入到分配数据中linshi_data = pd.DataFrame({'uid': qiuhe_data.index,'cid': linshi_repay['id'],'camt': linshi_repay['repay']})fenpei_data = pd.concat([fenpei_data, linshi_data])i = i+j

3.全贪婪

# 第三步：如果案件数量少于员工数量，直接分配
if repay_num <= user_num:fenpei_data=pd.DataFrame({'uid': user_data.iloc[:repay_num, 0],'cid': repay_data.iloc[:, 0],'camt': repay_data.iloc[:, 1]})else:# 先分配一轮fenpei_data=pd.DataFrame({'uid': user_data.iloc[:, 0],'cid': repay_data.iloc[:user_num, 0],'camt': repay_data.iloc[:user_num, 1]})i=user_num# 倒序分配while i < repay_num:j = user_num if user_num < (repay_num-i) else (repay_num-i)qiuhe_data = fenpei_data.groupby('uid')['camt'].sum().sort_values()qiuhe_data = qiuhe_data.iloc[:j]linshi_repay = repay_data[i:i + j].sort_values(by='repay', ascending=False)# 加入到分配数据中linshi_data = pd.DataFrame({'uid': qiuhe_data.index,'cid': linshi_repay['id'],'camt': linshi_repay['repay']})fenpei_data = pd.concat([fenpei_data, linshi_data])i = i + j

金额平均分配算法 python实现相关推荐

Java实现平均分配算法（附代码）
最近公司有业务需求:要求实现批量分配操作,详情如下: 选择多个客户选择多个员工给每个员工分配客户要求分配的客户数量尽量平均选择的员工数大于选择的客户数时,一个员工分配一个客户,不够的就不分配 ...
java 平均分配算法_java 分配算法
/* * 随机分配 */ public Map allotOfRandom(List users,List tasks){ Map allot=new ConcurrentHashMap(); //保 ...
php红包平均分配,红包平均分配算法
直接上代码 import java.util.Iterator; import java.util.TreeSet; public class Hongbao { private final int[ ...
java 平均分配算法_「角平分线」Java 计算角平分线 - seo实验室
角平分线有三个点,计算出角平分线.首先要算出两个点之间的方位角,根据方位角算出夹角.下面以角平分线长度是20示例计算. double dStartAngle = Math.atan2(mdE1 - ...
python分配红包程序_Python版微信红包分配算法
Python版微信红包分配算法发布于 2015-05-08 10:54:23 | 151 次阅读 | 评论: 0 | 来源: 网友投递 Python编程语言Python 是一种面向对象.解释型计算机 ...
最全微信红包分配算法,不只是二倍均值那么简单
最全微信红包分配算法!不只是二倍均值那么简单! 一.序言本文要解决什么问题? 抢红包的顺序对红包收益有无影响? 抢红包的顺序对当运气王的概率有无影响? 红包接龙游戏每次都是先抢好还是后抢好? 红包接 ...
Python:实现average absolute deviation平均绝对偏差算法(附完整源码)
Python:实现average absolute deviation平均绝对偏差算法 def average_absolute_deviation(nums: list[int]) -> fl ...
python文件处理：每隔一定数目删除；文件重命名；删除多余xml文件；将文件夹线所有文件平均分配到其他文件夹
# -*- coding:utf-8 -*-''' fileName: createTime: modifyTime: description:written by donghao '''import ...
传统图像增强算法python实现
本文参照:图像增强综述 - FANG_YANG - 博客园 (cnblogs.com)对传统图像增强方法做了总结,并把相关代码由matlab转成了python. 1. 像素级方法 1.1图像反转图像 ...

金额平均分配算法 python实现

金额平均分配算法 python实现相关推荐

最新文章

热门文章