Есть ли эффективный метод numpy или pandas для создания пользовательских ведер?

Я определил исходный DataFrame (df) со столбцом даты как datetime, так он содержит:

   item       date  quantity  lead_time
0     1 2020-02-10         2         14
1     1 2020-02-12         1         14
2     1 2020-02-14         3         14
3     2 2020-02-10         2         20
4     2 2020-02-20         2         20
5     2 2020-03-02         2         20

Обратите внимание, что формат столбца даты (при печати) отличается от ваш исходный образец (но это может зависеть от текущей локали).

Сначала определите 2 функции:

1. myCnt для подсчета суммы количества за указанный период времени:

   def myCnt(dd, grp, dltDays):
       return grp.loc[dd : dd + pd.Timedelta(dltDays, 'D')].sum()
   

   Параметры:

   • дд - дата начала,
   • grp - группа исходных количеств, но с индексом, установленным на дату,
   • dltDays - сколько дней от дд до последней даты.

   Обратите внимание, что доступ к необходимой части исходной группы осуществляется по индекс (используя loc), поэтому он должен работать довольно быстро.

2. itemProc функция для обработки текущей группы исходных строк:

   def itemProc(grp):
       row0 = grp.iloc[0]
       d1 = row0.date
       d2 = grp.date.max() + pd.Timedelta('1D')
       dltDays = row0.lead_time
       grp2 = grp.set_index('date')
       cnt = pd.date_range(d1, d2).to_series().apply(myCnt,
           args=(grp2.quantity, dltDays))
       return pd.DataFrame({'item': row0['item'], 'date': cnt.index, 'quantity': cnt})
   

   Параметр — текущая группа строк.

   Поскольку вы не определили диапазон выходных дат для каждой группы, я предположил, что следующие «пограничные» даты:

   • start - дата начала в каждой группе,
   • конец - последняя дата в каждой группе + 1 день (для всех дальнейших, даты, если вы хотите их, результат будет содержать количество из 0).

   Но если вам нужны другие границы даты, установите их в соответствии с вашими желаю как d1 и d2.

Тогда для получения фактического результата достаточно выполнить одну инструкцию, то есть применить эту функцию к каждой группе (сгруппированной по элементу):

result = df.groupby('item', as_index=False).apply(itemProc).reset_index(drop=True)

Результат для вашего образца данных (названного кадром данных, а не из вашего примера кода):

    item       date  quantity
0      1 2020-02-10         6
1      1 2020-02-11         4
2      1 2020-02-12         4
3      1 2020-02-13         3
4      1 2020-02-14         3
5      1 2020-02-15         0
6      2 2020-02-10         4
7      2 2020-02-11         4
8      2 2020-02-12         4
9      2 2020-02-13         4
10     2 2020-02-14         4
11     2 2020-02-15         4
12     2 2020-02-16         4
13     2 2020-02-17         4
14     2 2020-02-18         4
15     2 2020-02-19         4
16     2 2020-02-20         4
17     2 2020-02-21         2
18     2 2020-02-22         2
19     2 2020-02-23         2
20     2 2020-02-24         2
21     2 2020-02-25         2
22     2 2020-02-26         2
23     2 2020-02-27         2
24     2 2020-02-28         2
25     2 2020-02-29         2
26     2 2020-03-01         2
27     2 2020-03-02         2
28     2 2020-03-03         0

Обратите внимание, что для группы с элементом == 2 этот результат немного отличается от ваш ожидаемый результат.

Обоснование, почему мой результат правильный (а не ваш):

1. Для 2020-02-10 диапазон дат до 2020-03-01 (включительно). Сумма количества за этот период 4 (на 2020-02-10 и 20 февраля 2020 г.).

2. Для 2020-02-11 диапазон дат до 2020-03-02. Сумма количества за этот период также равна 4 (на 20.02.2020 и 2 марта 2020 г.).

3. И так далее.

Видимо вы сначала создали свой ожидаемый результат для меньшего lead_time а потом, создавая выборку исходных данных, вы устанавливаете там 20 дней.

Вот предложение, которое не полностью лишено петель, но может сработать для вас. В качестве образца кадра demand я адаптировал первый из ваших примеров:

   item       date  quantity  lead_time
0     1 2020-02-10         2         14
1     1 2020-02-12         1         14
2     1 2020-02-14         3         14
3     2 2020-02-10         2         20
4     2 2020-02-20         2         20
5     2 2020-03-02         2         20

Этот

dfs = []
for key, group in demand.groupby(['item', 'lead_time']):
    group = group.resample('D', on='date').first().fillna({'item': key[0], 'quantity': 0})
    group.quantity = group.quantity[::-1].rolling(f'{key[1]}d').sum()[::-1]
    dfs.append(group[['item', 'quantity']])
df = pd.concat(dfs, axis='index')

pr выдает следующий результат:

            item  quantity
date                      
2020-02-10   1.0       6.0
2020-02-11   1.0       4.0
2020-02-12   1.0       4.0
2020-02-13   1.0       3.0
2020-02-14   1.0       3.0
2020-02-10   2.0       4.0
2020-02-11   2.0       2.0
2020-02-12   2.0       4.0
2020-02-13   2.0       4.0
2020-02-14   2.0       4.0
2020-02-15   2.0       4.0
2020-02-16   2.0       4.0
2020-02-17   2.0       4.0
2020-02-18   2.0       4.0
2020-02-19   2.0       4.0
2020-02-20   2.0       4.0
2020-02-21   2.0       2.0
2020-02-22   2.0       2.0
2020-02-23   2.0       2.0
2020-02-24   2.0       2.0
2020-02-25   2.0       2.0
2020-02-26   2.0       2.0
2020-02-27   2.0       2.0
2020-02-28   2.0       2.0
2020-02-29   2.0       2.0
2020-03-01   2.0       2.0
2020-03-02   2.0       2.0

resample('D') заполняет пропущенные дни. Поскольку key[0] является значением элемента для группы, столбец item заполняется им. Столбец quantity заполняется 0 для вставленных дней.

Поскольку key[1] является lead_time для группы, rolling((f'{key[1]}d').sum() суммируется за lead_time-много дней. Благодаря ведущему [::-1] суммирование выполняется в правильном направлении (а затем корректируется обратно).

Есть небольшая разница с вашим ожидаемым результатом для item == 2, которую я не могу объяснить?