Python在财务与会计中的应用-第3章-Python在成本管理中的应用

第3章Python在成本管理中的应用第三章·教学课件《Python在财务与会计中的应用》本章内容3.1基于Python的采购成本分析3.1.1数据导入与清洗3.1.2价格变动分析3.1.3供应商绩效评估3.1.4采购成本结构分析3.2基于Python的生产成本分析学习目标完成采购与生产成本数据的导入和质量检查识别并处理负数量、零单价和高运费等异常分析采购价格趋势并评价供应商绩效拆解采购与生产成本结构，完成ABC物料分类评估人工效率、折旧成本和加班策略第三章分析主线成本分析从可靠数据开始用分组、趋势和情景比较支持采购与生产决策。先识别异常并制定清洗规则，保证后续指标可解释。从价格、供应商、物料和生产环节定位成本差异。2成本诊断3管理应用1数据质量成本管理的四个核心问题技术结果需要回到业务判断负数量、零单价和极端运费是错误还是特殊业务。数据是否可信核心供应商、A类物料和高成本产品需要优先管理。资源投向哪里价格趋势、产品结构和生产安排如何影响成本。成本为何变化同时验证效率、质量和业务约束。方案能否落地案例背景与分析边界把数据处理结果转化为成本管控和经营决策依据。教材以M公司2020—2024年数据为例本章重点生产数据生产记录包含产品、车间、工时、工资、四类成本和不良率等字段。采购数据采购记录包含物料、数量、单价、运费、税率和供应商等字段。分析原则教材结果用于演示方法，实际应用需结合企业口径和原始凭证复核。01采购成本分析学习目标使用pandas读取并检查采购数据识别数量、单价、运费和税率异常运用3σ规则辅助检测离群值分析价格趋势并评价供应商绩效拆解采购成本并完成ABC物料分类3.1采购成本分析框架采购分析依次解决数据质量、价格变化、供应商评价和成本结构问题。从原始记录到采购决策分析模块识别异常并形成可复核的处理记录。数据清洗按月、按年比较关键物料价格价格趋势比较采购规模、价格、稳定性和质量。供应商评价拆解材料、税费、物流成本并分类物料。成本结构3.1.1采购数据导入读取时解析日期字段df=pd.read_csv("M公司采购数据2020-2024.csv",parse_dates=["purchase_date"])日期列在导入阶段转换为datetime，便于后续重采样。采购数据类型检查先确认字段类型，再开始计算print(df.dtypes.value_counts())print(df.dtypes)重点检查日期、数量、金额、税率和标识字段，避免数字被读成文本。描述性统计的检查重点教材选择数量、单价、总成本、运费和税率等核心数值字段。分位数有助于发现极端记录统计内容均值和中位数反映常见水平。集中趋势标准差反映波动大小。离散程度1%、5%、95%和99%分位数帮助定位尾部。尾部特征最小值和最大值用于发现负数、零值和异常比例。逻辑范围描述性统计代码保留多处分位数numeric_cols=["quantity","unit_price","total_cost","shipping_cost","tax_rate"]desc=df[numeric_cols].describe(percentiles=[.01,.05,.25,.5,.75,.95,.99]).round(2)教材样本的初步特征统计结果用于定位问题，不直接决定删除记录样本共有12,000条采购记录。数据规模采购单价均值为172.28元，分布呈右偏。采购单价采购数量均值为2,598.04，且存在负值与极端高值。采购数量运费波动较大，税率多数稳定在12%—13%。运输与税率采购数量异常的两类含义负数量与大额采购需要分别判断可能来自录入错误，也可能是退货未单独标识。负数量结合业务单据、交易类型和物料特征核实。检查依据超过10,000件可能代表大宗采购，不能仅凭数值删除。极端高值负数量24条，占0.20%；超过10,000件45条，最高35,913件。教材结果采购数量异常筛选布尔索引分别检查逻辑异常和极端值quantity_neg=df[df["quantity"]<0]quantity_high=df[df["quantity"]>10000]print(len(quantity_neg))print(len(quantity_high))print(df["quantity"].max())采购单价异常零单价与高单价对应不同核查路径可能来自免费样品、赠品、漏填或错误记录。零单价零单价21条；高单价48条，最高2,581.66元。教材结果超过1,000元可能是高价值部件，也可能是单位或币种错误。高单价按物料和供应商比较历史价格后再决定修正。处理原则运输成本异常同时检查绝对金额和相对比例可能来自包邮合同或运费漏记。零运费运费超过总成本50%时，应检查成本口径和字段关系。结构失衡超过3,000元的记录需要结合距离、重量和运输方式核实。高运费零运费55条；高运费64条，最高781,465.92元；结构异常46条。教材结果税率异常税率判断必须结合业务和政策超过20%可能是录入错误、复合税费或特殊业务。高税率高税率56条，最高35%；零税率67条。教材结果可能对应免税、零税率或税率漏填。零税率结合发票、地区、日期和税务口径复核。核查依据异常识别结果汇总教材结果显示多类异常同时存在，清洗前要保留原始记录。异常数量只是核查清单核查清单负数量24条，极端高数量45条。数量零单价21条，高单价48条。单价零运费55条，高运费64条，结构异常46条。运费高税率56条，零税率67条。税率3σ离群值检测单价发现177条离群值，运输成本发现20条离群值。用于发现显著偏离均值的数值教材结果适用条件更适合近似对称、分布稳定的数据；右偏数据需谨慎解释。计算规则记录与均值的距离超过3个标准差时，标记为离群值。业务边界离群值不等于错误，仍需结合采购合同和物料类别核实。3σ检测代码返回离群记录而不是直接删除defdetect_outliers(series):mean=series.mean()std=series.std()returnseries[(series-mean).abs()>3*std]price_outliers=detect_outliers(df["unit_price"])shipping_outliers=detect_outliers(df["shipping_cost"])异常记录示例合并代表性记录便于业务复核abnormal=pd.concat([quantity_neg.head(1),price_zero.head(1),shipping_high.head(1),tax_high.head(1)])print(abnormal[key_columns].round(2))异常值处理规则清洗前先复制数据，并记录删除、替换和截尾的原因。每项规则都需要业务解释处理对象教材示例删除负数量记录。负数量按物料中位价替换零单价。零单价将超过20%的税率修正为13%。高税率把运费占总成本比例限制在50%以内。高运费占比负数量与零单价处理规则应保留可追溯依据教材示例保留quantity大于等于0的记录。负数量删除负数量可能误删退货，应先检查业务类型。风险按物料分组，用非零历史中位价填补。零单价修正后检查单价最小值、填补数量和金额变化。验证高税率与运费占比处理阈值代表教材案例规则教材示例把高于20%的税率修正为13%。高税率实际税率应依发票和政策确定，不能一律替换。风险运费占比超过50%时，调整为40%。运费占比检查调整记录、运费合计和成本口径是否一致。验证清洗代码：数量与单价先复制原始数据clean_df=df.copy()clean_df=clean_df[clean_df["quantity"]>=0]median_price=clean_df.groupby("component_id")["unit_price"].median()mask=clean_df["unit_price"]==0clean_df.loc[mask,"unit_price"]=(clean_df.loc[mask,"component_id"].map(median_price))清洗代码：税率与运费条件赋值集中表达规则tax_mask=clean_df["tax_rate"]>0.2clean_df.loc[tax_mask,"tax_rate"]=0.13freight_mask=(clean_df["shipping_cost"]>clean_df["total_cost"]*0.5)clean_df.loc[freight_mask,"shipping_cost"]=(clean_df.loc[freight_mask,"total_cost"]*0.4)数据质量验证assert把清洗规则转化为可执行检查defvalidate_data(data):assertdata["quantity"].min()>=0assertdata["unit_price"].min()>0assertdata["tax_rate"].max()<=0.2ratio=data["shipping_cost"]/data["total_cost"]assertratio.max()<=0.5validate_data(clean_df)清洗结果需要留痕保留原始文件、规则说明和处理后数据。导出清洗结果，并完成断言和合计验证。保存原始数据及副本，避免覆盖源文件。记录判断依据、处理数量和金额影响。2处理日志3清洗结果1原始数据数据导入与清洗小结导入阶段解析日期并检查字段类型描述性统计用于识别逻辑异常和极端值3σ规则只能辅助筛查，不能替代业务核实清洗规则需要明确阈值、原因和影响范围使用assert和汇总指标验证处理结果3.1.2采购价格变动分析芯片价格影响关键部件采购成本统一日期粒度，观察长期走势和年度季节变化。可视化环境设置中文字体和负号需要正确显示importpandasaspdimportmatplotlib.pyplotaspltimportseabornassnsplt.rcParams["font.family"]="SimHei"plt.rcParams["axes.unicode_minus"]=False芯片月度平均采购价格resample统一月度时间粒度chip=df[df["component_id"]=="芯片"].copy()monthly_price=chip.resample("ME",on="purchase_date")["unit_price"].mean()monthly_price.plot(title="芯片月度采购价格趋势")plt.ylabel("单价（元）")plt.grid(True)2020—2024年芯片价格趋势教材图示反映价格中枢抬升并伴随更大波动价格整体较平稳，多数月份约90—110元。2020—2021价格主要在110—150元区间波动，后期波动更频繁。2023—2024价格一度冲高，随后回落，但整体价位抬升。2022关注预算弹性、采购节奏和价格锁定条款。管理含义跨年度月度价格比较先按year和month分组计算平均单价，再用不同颜色表示年份。同月比较有助于识别季节性与年份差异图表设计月份1—12。横轴芯片平均采购单价。纵轴用hue区分2020—2024年。颜色marker显示每月观测点。标记按年绘制月度价格seaborn同时比较多个年份monthly_avg=(chip.groupby(["year","month"])["unit_price"].mean().reset_index())sns.lineplot(data=monthly_avg,x="month",y="unit_price",hue="year",marker="o")plt.xticks(range(1,13))plt.ylabel("平均单价（元）")年度价格差异教材图示显示后期价格水平和波动均上升2020年较低，2021年相对平稳。2020—2021多数月份处于较高价位，2024年约120—140元。2023—20241月接近160元峰值，随后回落。2022趋势描述不等于原因识别，仍需结合市场与合同数据。解释边界价格趋势的管理用途采购量、市场指数、供应商报价和质量变化等信息。趋势结果服务于采购计划和预算需要补充采购节奏在高波动时期分批采购，降低集中采购的时点风险。预算编制根据历史波动设置价格区间和预算缓冲。合同管理评估锁价、调价机制和替代物料条款。3.1.3供应商绩效评估采购规模不等同于供应商绩效教材依次分析采购金额占比、平均单价、运输成本稳定性和质量合格率，再构建综合评分。供应商评价维度采购金额占比用于识别依赖程度，不直接计入绩效总分。每个指标回答不同管理问题评价维度各供应商采购总金额占整体的比例。采购规模平均采购单价，数值越低得分越高。价格竞争力运输成本变异系数，数值越低越稳定。运输稳定性质量合格率，数值越高得分越高。质量表现供应商采购金额占比先按供应商汇总采购金额supplier_spend=(df.groupby("supplier_name")["total_cost"].sum().sort_values(ascending=False))supplier_spend.plot.pie(autopct="%1.1f%%",figsize=(5,5),title="近五年供应商采购金额占比")采购集中度结果金额占比反映合作规模与依赖东升电子科技占比最高，为19.1%。最高占比是否需要降低单一供应商依赖，或为核心供应商建立备选方案。管理问题其余供应商多数分布在9.4%—10.8%。其他供应商高采购额可能来自品类差异，不能据此评价价格或质量。判断边界供应商价格竞争力平均单价按供应商排序price_comp=(df.groupby("supplier_name")["unit_price"].mean().sort_values())price_comp.plot(kind="bar",figsize=(10,3),title="供应商平均采购单价对比")plt.ylabel("平均单价（元）")供应商平均单价差异教材结果显示供应商之间存在明显差异东升电子科技平均单价接近300元。高价供应商筛选需要进一步议价或替代评估的供应商。管理用途永固金属加工、晶彩显示科技和华新金属材料多数约150元。相对低价供应商需控制物料组合差异，不能把品类不同误判为价格能力差异。解释边界运输成本变异系数准时交付率、平均延期天数、缺货次数和紧急运输比例。标准差除以均值，用于比较相对波动更直接的指标解释CV越低，运输成本相对波动越小。计算CV=运输成本标准差÷平均运输成本。局限运输成本稳定性只是交货稳定性的间接代理。运输成本稳定性计算按供应商计算均值、标准差和CVdelivery=df.groupby("supplier_name")["shipping_cost"].agg(["mean","std"])delivery["cv"]=delivery["std"]/delivery["mean"]ranking=delivery.sort_values("cv").head(10)ranking.plot(kind="bar",y="cv",figsize=(10,3),title="供应商运输成本稳定性")交货稳定性的解释边界代理指标不能替代直接交付数据东升电子科技的运输成本变异系数最低。教材结果运输成本的相对波动存在差异。可得结论晶彩显示科技和部分供应商的变异系数较高。高波动供应商仅凭运输成本CV不能认定交货准时或延误。不能直接得出供应商质量合格率由质量问题记录计算正向指标supplier_quality=df.groupby("supplier_name")["quality_issue"].mean()quality_rate=1-supplier_qualityquality_issue为1表示发生质量问题；quality_rate越高，质量表现越好。综合评分前的指标方向先把所有指标转换为得分越高越好数值越低越好，标准化后用1减去标准化结果。平均单价数值越高越好，直接进行标准化。质量合格率数值越低越好，采用相同的反向处理。运输成本CV仅识别供应商重要性，不纳入教材的绩效总分。采购金额占比Min-Max标准化处理所有供应商取值相同的情况defminmax_score(series):value_range=series.max()-series.min()ifvalue_range==0:returnpd.Series(1.0,index=series.index)return(series-series.min())/value_range供应商综合评分三个绩效维度等权平均score=pd.DataFrame(index=metrics.index)score["price"]=1-minmax_score(metrics["avg_price"])score["delivery"]=1-minmax_score(metrics["delivery_cv"])score["quality"]=minmax_score(metrics["quality_rate"])score["total"]=score[["price","delivery","quality"]].mean(axis=1)result=score.sort_values("total",ascending=False)供应商综合评分结果教材采用价格、运输稳定性和质量等权评分环球塑料制品得分0.863240，排名第一。最高得分东升电子科技得分0.333，排名较低。差异案例永固0.765，德泰0.686，华新0.681第二梯队权重和指标选择会改变排名，实际决策需要敏感性分析。解释边界供应商评分的决策用途品类可比性、合同条款、交付数据和评分权重敏感性。排名用于组织进一步核查决策前补充改善对象针对价格、稳定性或质量短板制定改善目标。核心供应商对高采购额供应商建立持续监控和风险预案。备选供应商结合产能、认证和替代成本评估导入可行性。3.1.4采购成本结构分析拆解成本构成并识别重点物料教材先计算材料成本、税费成本和物流成本，再分析占比并实施ABC物料分类。采购成本构成成本字段需要保持统一口径，避免重复计入。三类成本对应不同管理抓手成本类型单价乘以采购数量。材料成本材料成本乘以税率。税费成本运输成本加交易费用。物流成本与账面采购总成本比较，解释差异项。核对关系采购成本构成计算生成三类成本字段df["material_cost"]=df["unit_price"]*df["quantity"]df["tax_cost"]=df["material_cost"]*df["tax_rate"]df["logistics_cost"]=(df["shipping_cost"]+df["transaction_fee"])print(df[["material_cost","tax_cost","logistics_cost"]].head().round(3))采购成本占比先汇总金额，再除以三类成本合计cost_parts=["material_cost","tax_cost","logistics_cost"]cost_summary=df[cost_parts].sum()total_cost=cost_summary.sum()cost_ratio=(cost_summary/total_cost).round(4)print(cost_ratio)采购成本结构结果教材样本以材料成本为主占比约88.87%，是主要成本项。材料成本占比约1.17%，但极端运输记录仍可能造成局部风险。物流成本占比约9.96%，需要结合税务口径管理。税费成本优先关注材料价格和用量，同时优化税费与物流流程。管理重点ABC物料分类先按物料汇总金额并降序排列，再计算累计占比和类别。按累计金额识别管理重点基本逻辑B类累计占比从80%到95%的重要物料。A类累计金额占比达到80%的核心物料。C类累计占比超过95%的普通物料。ABC分类：物料汇总统计每种物料的金额和订购次数material_stats=(df.groupby("component_id",as_index=False).agg(total_cost=("material_cost","sum"),order_count=("component_id","size")))mss=material_stats.sort_values("total_cost",ascending=False)ABC分类：累计占比累计金额决定分类位置mss["cum_pct"]=(mss["total_cost"].cumsum()/mss["total_cost"].sum())print(mss[["component_id","total_cost","cum_pct"]])ABC分类：类别规则教材使用80%和95%两个阈值mss["category"]=["A类"ifpct<=0.80else"B类"ifpct<=0.95else"C类"forpctinmss["cum_pct"]]ABC分类汇总按类别统计种类、次数和金额category_summary=(mss.groupby("category",as_index=False).agg(物料种类数=("component_id","nunique"),总订购次数=("order_count","sum"),总金额=("total_cost","sum")).round(2))教材样本的ABC分类结果少量A类物料占据大部分金额5种物料，订购4,512次，总金额约40.8亿元。A类4种物料，订购3,836次，总金额约3.31亿元。C类4种物料，订购3,652次，总金额约9.46亿元。B类金额差异明显，物料种类数和订购次数差异相对较小。解释ABC分类后的管理策略价格、用量和供应风险变化时，重新计算分类。不同类别采用不同管理强度动态更新B类物料定期复核需求和采购批量，平衡成本与库存。A类物料强化价格监控、供应保障和供应商协同。C类物料简化审批和订购流程，降低管理成本。采购成本分析小结数据质量检查决定后续分析是否可靠价格趋势需要统一时间粒度并区分描述与原因供应商绩效应综合价格、稳定性和质量采购金额占比反映依赖程度，不代表绩效成本结构与ABC分类共同确定采购管理重点采购成本分析练习1.负数量记录可能有哪些业务含义？2.为什么零单价适合按物料中位价处理，而不是统一均值？3.运输成本CV为何只能作为交货稳定性的代理指标？4.综合评分权重变化会怎样影响供应商排名？5.如何把ABC分类转化为差异化采购策略？02生产成本分析3.2成本结构、人工效率、折旧与加班策略学习目标拆解材料、人工、电力和折旧成本比较产品型号的平均单位成本分析工资结构和技能等级生产效率评估加班时长与不良率的关系比较车间折旧并识别较优加班区间3.2生产成本分析框架教材从成本结构开始，逐步分析人工、折旧和加班安排。同时关注成本、效率与质量分析模块比较四类成本、产品单位成本和年度变化。成本结构分析工资构成、技能效率和加班质量。人工效率比较车间分布、月度变化和年度占比。折旧成本识别单位成本较低的区间，并验证效率与质量。加班策略3.2.1生产数据导入教材样本包含157,531条生产记录df=pd.read_csv("M公司生产成本数据2020-2024.csv",parse_dates=["production_date"])print(len(df))print(df.columns)生产成本关键字段字段关系决定指标口径产量、基础工时、加班工时和总工时。产量与工时材料、人工、电力、折旧及单位成本。成本基础工资、加班工资和工资总额。工资不良率、不良数量，并按产品与车间分析。质量四类生产成本占比汇总后计算各类成本占总和的比例cost_columns=["material_cost","labor_cost","power_cost","depreciation_cost"]total_costs=df[cost_columns].sum()cost_percent=total_costs/total_costs.sum()*100print(cost_percent.round(1))生产成本结构结果材料成本是教材样本的主要成本项占比76.4%，是生产成本管控的首要对象。材料成本占比6.9%，可进一步按产品和车间分析能耗。电力成本占比13.1%，需要结合工资结构和效率分析。人工成本占比3.6%，结合设备价值和产能利用率解释。折旧成本产品平均单位成本按产品型号比较成本差异product_costs=(df.groupby("product_model")["unit_cost"].mean().sort_values())print(product_costs.apply(lambdax:f"{x:.2f}元"))产品单位成本差异教材结果用于定位进一步分析对象LED-65TV的平均单位成本最高。最高单位成本拆分材料用量、工时、良率和产品配置差异。下一步ME-202微波炉的平均单位成本最低。最低单位成本高单位成本不必然代表低盈利，还需结合售价和销量。解释边界年度生产成本结构按年汇总后计算行占比yearly_cost=df.groupby("year")[cost_columns].sum()yearly_pct=(yearly_cost.div(yearly_cost.sum(axis=1),axis=0)*100)print(yearly_pct.round(1))2020—2024年成本结构教材结果显示整体结构相对稳定占比总体较高，期间先升后降。材料成本占比波动较小。电力与折旧占比相对稳定，约为总成本的13%。人工成本年度占比稳定不代表绝对金额不变，应同时查看金额和产量。管理含义生产成本结构的管理用途产量、产能利用率、售价、毛利率和质量成本。金额、占比和单位成本需要结合使用补充指标人工成本结合工资结构、工时和生产效率评估。材料成本关注采购价格、材料用量和损耗。产品成本识别高单位成本产品，继续拆解成本驱动因素。3.2.2人工成本与效率分析人工成本需要同时观察工资、效率和质量教材依次分析基础工资与加班工资、不同技能等级生产效率，以及加班时长与不良率。基础工资与加班工资计算工资总额和加班工资占比base_salary=df["base_salary"].sum()overtime_salary=df["overtime_salary"].sum()total_salary=base_salary+overtime_salaryovertime_ratio=overtime_salary/total_salary*100print(base_salary/10000)print(overtime_salary/10000)print(overtime_ratio)工资结构结果教材样本的加班工资占比较低总额为1,381,371.86万元。基础工资占总工资约0.9%。加班占比总额为12,263.78万元。加班工资占比低只能说明额外工资规模较小，仍需结合加班时长和人员分布。解释边界技能等级与生产效率生产效率定义为产量除以总工时df["productivity"]=(df["output_quantity"]/df["total_hours"])skill_productivity=(df.groupby("employee_skill")["productivity"].mean())print(skill_productivity)技能等级效率结果三个等级的平均效率非常接近平均0.6941台/小时。初级员工平均0.6910台/小时，略低于初级员工。高级员工平均0.6933台/小时。中级员工需控制产品、工序和车间差异。解释边界加班时长与不良率先把连续工时划分为区间bins=[0,5,10,15,20,25,30,40]overtime_group=pd.cut(df["overtime_hours"],bins=bins)overtime_defect=(df.groupby(overtime_group,observed=False)["defect_rate"].mean())print(overtime_defect)加班区间与不良率结果教材样本中不良率随加班时长总体上升较长加班区间的平均不良率更高。主要趋势加班时长与不良率在样本中存在关联。可得结论30—40小时区间没有数据，结果为NaN。缺失区间不能仅凭分组均值认定因果，还需控制产品、车间和订单难度。解释边界3.2.3折旧成本分析从车间分布、月度金额和年度占比观察折旧折旧成本反映设备投入和计提规则，需要结合设备价值、产能利用率与更新计划解释。各车间折旧成本占比按车间汇总并计算比例workshop_dep=df.groupby("workshop")["depreciation_cost"].sum()workshop_dep_pct=workshop_dep/workshop_dep.sum()*100forworkshop,pctinworkshop_dep_pct.items():print(workshop,f"{pct:.1f}%")车间折旧成本分布占比差异反映设备投入规模差异通常对应设备价值较高或设备数量较多。高占比车间设备原值、使用年限、折旧方法和产能利用率。需要补充可能对应轻资产工序或设备价值较低。低占比车间识别需要进一步核查的设备配置和成本分摊。管理用途月度折旧成本变化使用Period按月聚合df["year_month"]=df["production_date"].dt.to_period("M")monthly_dep=df.groupby("year_month")["depreciation_cost"].sum()avg_2020=monthly_dep[monthly_dep.index.year==2020].mean()avg_2024=monthly_dep[monthly_dep.index.year==2024].mean()change=(avg_2024-avg_2020)/avg_2020*100月度折旧成本趋势2024年平均月折旧高于2020年平均月折旧为6,106.74万元。2020年五年间增加12.4%。变化率平均月折旧为6,861.19万元。2024年可能来自设备扩张或新增投入，需查验固定资产台账。解释边界折旧成本年度占比比较折旧成本与总成本的比例yearly_dep_ratio=(df.groupby("year")["depreciation_cost"].sum()/df.groupby("year")["total_cost"].sum()*100)print(yearly_dep_ratio.apply(lambdax:f"{x:.1f}%"))教材结果：年度占比约3.5%—3.7%。折旧分析的决策含义稳定占比需要结合绝对金额理解2020—2024年折旧占比保持在3.5%—3.7%。占比占比稳定说明成本结构变化有限，但不能单独证明设备管理良好。判断平均月折旧从2020年到2024年增加12.4%。绝对金额结合设备原值、产能利用率和投资计划复核。建议3.2.4较优加班时长分析单位成本最低只是第一步教材先比较各加班区间的单位成本，再验证最低成本区间的生产效率与不良率，并与整体平均比较。不同加班区间的单位成本把连续工时转换为分组变量labels=["0-5","6-10","11-15","16-20","21-25","26-30","31-40"]df["overtime_group"]=pd.cut(df["overtime_hours"],bins=bins,labels=labels)grouped_cost=df.group