本文介绍如何使用 pandas 对原始任务数据进行工时拆分：基于最早开始日期，将每项任务的总工时按工作日（周一至周五）均匀分配，每日最多7小时，自动跳过周末并处理跨日连续占用场景。
在项目排期或资源调度中，常需将总工时（如开发人天）合理分配到具体工作日，同时满足两项硬性约束：单日工时上限（如7小时） 和 仅限工作日（排除周六、周日）。本教程提供一种高效、可扩展的 pandas 实现方案，无需循环遍历，完全向量化处理。
核心思路
- 行重复（Repeat）：根据 ceil(Hours / 7) 确定每项任务需占用的工作日数量，复制对应行数；
- 日期递增（BusinessDay Offset）：对每个任务组内重复行，按 cumcount() 顺序叠加 BusinessDay() 偏移量，确保严格跳过周末；
- 工时拆分（Split Logic）：除最后一日外，其余日均分配满额7小时；最后一日取余数（若余数为0，则该组末尾日也分配7小时，避免出现0小时空行）。
完整实现代码
import pandas as pd
import numpy as np
# 构建初始数据
df = pd.DataFrame({
'ID': [1, 2, 3],
'EarliestStart': ['28.09.2023', '29.09.2023', '15.11.2023'],
'Hours': [15.00, 5.00, 23.00]
})
df['EarliestStart'] = pd.to_datetime(df['EarliestStart'], format='%d.%m.%Y')
# 步骤1：按需重复行（向上取整：ceil(Hours/7)）
out = df.loc[df.index.repeat(np.ceil(df['Hours'].div(7)))]
# 步骤2：为每组生成递增的工作日日期
n = out.groupby(level=0).cumcount()
out['PlannedStart'] = out['EarliestStart'] + n * pd.offsets.BusinessDay()
# 步骤3：提取星期名称（中文环境可加 .dt.day_name(locale='zh_CN')）
out['Weekday'] = out['PlannedStart'].dt.day_name()
# 步骤4：计算每日工时（前N-1日为7小时，最后1日为余数，余数为0则仍为7）
remainder = out.pop('Hours') % 7
out['HoursSplitted'] = np.where(
out.index.duplicated(keep='last') | remainder.eq(0),
7.0,
remainder
)
# 可选：格式化日期为 DD.MM.YYYY 并转为字符串（匹配示例输出）
out['PlannedStart'] = out['PlannedStart'].dt.strftime('%d.%m.%Y')
out['EarliestStart'] = out['EarliestStart'].dt.strftime('%d.%m.%Y')
out = out.reset_index(drop=True)[['ID', 'EarliestStart', 'PlannedStart', 'Weekday', 'HoursSplitted']]关键注意事项
- ✅ pd.offsets.BusinessDay() 自动跳过周末和节假日（默认不含法定假日，如需支持节假日，可替换为 CustomBusinessDay(holidays=[...])）；
- ✅ groupby(level=0).cumcount() 依赖原始索引未被重置，因此 repeat() 后必须保留原始索引层级；
- ⚠️ 若存在多任务同日“争抢”首个可用工作日（如 ID 2 应接续 ID 1 的剩余容量），本方案不模拟实时资源抢占——它按任务独立起始日+工作日偏移分配，天然规避了同一日超配（因 BusinessDay 偏移已保证日期不重叠）；若需严格按全局时间线排队（如优先级调度），需引入额外的状态追踪逻辑；
- ? HoursSplitted 列使用浮点数，如需显示为 "7,00" 格式（逗号小数点），可在最后用 out['HoursSplitted'].apply(lambda x: f"{x:.2f}".replace('.', ',')) 转换。
该方法简洁、健壮且性能优异，适用于数千行以内的常规排期场景，是 pandas 时间序列资源分配问题的典型范式解法。
