1. 实际应用场景描述
在企业、医院、客服中心等场景中，管理者需要为团队成员制定月度排班表，满足以下要求：
- 每个岗位每天有足够人手
- 尽量公平分配工作日、周末、节假日
- 考虑员工的休假需求
- 支持临时调整
传统排班方式依赖人工经验，容易出现不公平、冲突、遗漏等问题。
本程序的目标是输入团队人数、休假需求、岗位要求，自动生成公平合理的月度排班表，并支持手动调整。
2. 痛点分析
- 人工排班耗时：大型团队排班需要数小时甚至数天。
- 公平性难保证：容易出现某些人总是周末上班。
- 需求冲突：休假申请与岗位需求冲突时难以快速调整。
- 缺乏数据支持：无法量化公平性、覆盖率等指标。
3. 核心逻辑
1. 数据输入：
- 团队成员列表（姓名、岗位、可用天数）
- 休假需求（姓名、日期、类型）
- 岗位每日需求（岗位、所需人数）
2. 初始化排班表：创建空的月度矩阵（日期 × 岗位）。
3. 公平性算法：
- 统计每人已排班天数、周末天数
- 优先安排休息少的人
4. 约束满足：
- 满足岗位需求
- 避开休假日期
5. 生成排班表：输出 DataFrame 或 Excel。
6. 手动调整接口：允许交换班次、修改日期。
4. 模块化 Python 代码
项目结构：
schedule_optimizer/
├── data/
│ ├── team_info.csv
│ ├── leave_requests.csv
│ └── position_demand.csv
├── src/
│ ├── data_loader.py
│ ├── scheduler.py
│ ├── fairness.py
│ ├── adjuster.py
│ └── main.py
├── README.md
├── requirements.txt
└── knowledge_cards.md
"requirements.txt"
pandas>=1.3.0
numpy>=1.21.0
openpyxl>=3.0.0
"src/data_loader.py"
import pandas as pd
def load_team_info(path):
return pd.read_csv(path)
def load_leave_requests(path):
return pd.read_csv(path)
def load_position_demand(path):
return pd.read_csv(path)
"src/fairness.py"
def update_fairness_stats(schedule_df, team_members):
"""
统计每人已排班天数、周末天数
"""
stats = {name: {'total_days': 0, 'weekend_days': 0} for name in team_members}
for date in schedule_df.columns:
day_of_week = pd.to_datetime(date).dayofweek
is_weekend = day_of_week >= 5
for member in team_members:
if schedule_df.at[member, date] != '':
stats[member]['total_days'] += 1
if is_weekend:
stats[member]['weekend_days'] += 1
return stats
"src/scheduler.py"
import pandas as pd
from datetime import datetime, timedelta
def generate_monthly_schedule(start_date, days_in_month, team_members, leave_requests, position_demand):
"""
生成月度排班表
"""
dates = [start_date + timedelta(days=i) for i in range(days_in_month)]
schedule_df = pd.DataFrame(index=team_members, columns=dates)
# 标记休假
for _, row in leave_requests.iterrows():
if row['date'] in dates:
schedule_df.at[row['name'], row['date']] = 'Leave'
# 简单轮班分配（可替换为更复杂的优化算法）
demand_per_day = {d: position_demand.set_index('position').to_dict('index') for d in dates}
# 这里简化：每人轮流值班
idx = 0
for date in dates:
assigned = set()
for position, req in demand_per_day[date].items():
needed = req['required']
while needed > 0 and idx < len(team_members):
member = team_members[idx % len(team_members)]
if schedule_df.at[member, date] == '':
schedule_df.at[member, date] = position
assigned.add(member)
needed -= 1
idx += 1
return schedule_df
"src/adjuster.py"
def swap_shifts(schedule_df, person1, date1, person2, date2):
"""
交换两人的班次
"""
temp = schedule_df.at[person1, date1]
schedule_df.at[person1, date1] = schedule_df.at[person2, date2]
schedule_df.at[person2, date2] = temp
return schedule_df
"src/main.py"
from data_loader import load_team_info, load_leave_requests, load_position_demand
from scheduler import generate_monthly_schedule
from fairness import update_fairness_stats
from adjuster import swap_shifts
def main():
# 1. 加载数据
team_info = load_team_info('../data/team_info.csv')
leave_requests = load_leave_requests('../data/leave_requests.csv')
position_demand = load_position_demand('../data/position_demand.csv')
team_members = team_info['name'].tolist()
# 2. 生成排班
start_date = datetime(2024, 6, 1)
days_in_month = 30
schedule = generate_monthly_schedule(start_date, days_in_month, team_members, leave_requests, position_demand)
# 3. 公平性统计
stats = update_fairness_stats(schedule, team_members)
print("公平性统计:", stats)
# 4. 保存排班表
schedule.to_excel('../output/monthly_schedule.xlsx')
print("排班表已生成: monthly_schedule.xlsx")
if __name__ == "__main__":
main()
5. README.md
# 同事排班优化程序
## 功能
- 输入团队信息、休假需求、岗位需求
- 自动生成公平合理的月度排班表
- 支持手动调整班次
- 输出 Excel 排班表
## 安装依赖
bash
pip install -r requirements.txt
## 数据格式
- team_info.csv: name, position
- leave_requests.csv: name, date (YYYY-MM-DD)
- position_demand.csv: date, position, required
## 运行
bash
python src/main.py
## 输出
在 `output/` 目录生成 `monthly_schedule.xlsx`
6. 核心知识点卡片
卡片 1：约束满足问题（CSP）
- 排班是典型的 CSP，需在多种约束下找到可行解。
- 可用贪心、回溯、整数规划等方法求解。
卡片 2：公平性指标
- 用统计方法量化公平性（总天数、周末天数、节假日天数）。
- 作为优化目标之一。
卡片 3：数据驱动决策
- 将排班数据化，便于分析和优化。
- 可结合历史数据预测人力需求。
卡片 4：商务智能应用
- 排班优化可降低人力成本，提高满意度。
- 属于运营优化的范畴。
卡片 5：可扩展性
- 可接入企业日历、HR 系统，实现全自动排班。
- 可加入 AI 模型预测突发请假概率。
7. 总结
本程序结合了大数据与商务智能的核心思想：
- 数据化排班：将人员、需求、休假转为结构化数据。
- 自动化优化：减少人工排班时间，提高公平性。
- 模块化设计：便于扩展和集成。
- 实用性强：可直接用于企业、机构排班管理。
如果你愿意，可以增加图形化界面（Tkinter/Streamlit），并加入遗传算法或整数规划优化排班，让结果更科学。
利用AI高效解决实际问题，如果你觉得这个工具好用，欢迎关注我！
