我在 Pandas 中使用合并功能时遇到一些困难。我正在为此寻找某种 Vlookup 公式。但是，我无法解决我的问题。
我的数据很大，由于保密原因无法在这里分享。不过，我尝试在这里得出类似的数据。
| 旧代码 | 新代码 | 姓名 | 发票日期 |
|---|---|---|---|
| 1001011 | 不适用 | 芝士蛋糕 | 2021/02/02 |
| 1001012 | 不适用 | 咖啡 | 2021/03/05 |
| 1001011 | 不适用 | 芝士蛋糕 | 2021年5月30日 |
| 不适用 | 2002093 | 茉莉花茶 | 21/08/2021 |
| 不适用 | 2002042 | 饼干 | 2021 年 12 月 31 日 |
| 不适用 | 2002080 | 咖啡 | 2022年9月1日 |
| 不适用 | 2002093 | 茉莉花茶 | 2022年5月5日 |
| 不适用 | 2002058 | 芝士蛋糕 | 2022年7月6日 |
我想在上面的表格中输入“成本”列。但是，费用根据发票日期而异（另请注意产品代码的更改）。我们有 2 个成本表。 2021 年：
| 旧代码 | 新代码 | 姓名 | 21 年 1 月 | 2 月 21 日 | 3 月 21 日 | 4 月 21 日 | 5月21日 | 6 月 21 日 | 7 月 21 日 | 8 月 21 日 | 9 月 21 日 | 10 月 21 日 | 11 月 21 日 | 12 月 21 日 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1001011 | 2002058 | 芝士蛋糕 | 50 | 51 | 50 | 53 | 54 | 52 | 55 | 53 | 50 | 52 | 53 | 53 |
| 1001012 | 2002080 | 咖啡 | 5 | 6 | 5 | 6 | 6 | 5 | 7 | 5 | 6 | 5 | 6 | 6 |
| 1001015 | 2002093 | 茉莉花茶 | 4 | 3 | 3 | 4 | 4 | 3 | 5 | 3 | 3 | 3 | 3 | 4 |
| 1001020 | 2002042 | 饼干 | 20 | 20 | 21 | 20 | 22 | 20 | 21 | 20 | 22 | 20 | 21 | 22 |
2022 年：
| 旧代码 | 新代码 | 姓名 | 1 月 22 日 | 2 月 22 日 | 3 月 22 日 | 4 月 22 日 | 5月22日 | 6 月 22 日 | 7 月 22 日 | 8 月 22 日 | 9 月 22 日 | 10 月 22 日 | 11 月 22 日 | 12 月 22 日 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1001011 | 2002058 | 芝士蛋糕 | 52 | 52 | 55 | 55 | 56 | 52 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 |
| 1001012 | 2002080 | 咖啡 | 5 | 6 | 5 | 6 | 6 | 6.5 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 |
| 1001015 | 2002093 | 茉莉花茶 | 4 | 3 | 3 | 5 | 5 | 5.5 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 |
| 1001020 | 2002042 | 饼干 | 22 | 22 | 23 | 23 | 23.5 | 23 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 |
所以基本上，我希望在我的第一个数据框中包含我的成本列，以反映不同年份和不同月份的正确成本计算。
示例：
发票日期成本核算 03/05/2021 = May_2021
合并时需要两边都有月份和代码，所以：
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])