
移动加权平均法是存货计价的重要方法,其核心公式为:
该方法要求每次进货后重新计算平均成本,形成递归依赖链。在 Power Query 中,通过List.Accumulate
函数可完美解决这种递归计算问题。
日期 / 年月(排序依据)
期初数量 / 采购数量 / 发出数量
采购成本(数量 × 单价)
期末数量(= 期初数量 + 采购数量 - 发出数量)
数据导入与类型调整
在 Power Query 编辑器中加载数据后,需确保:
关键排序操作
必须按日期升序排列,确保计算顺序正确。可通过Table.Sort
函数实现:
= Table.Sort(更改的类型, {{"日期", Order.Ascending}})
递归计算公式
使用List.Accumulate
函数逐行处理数据:
let
Source = 排序后的数据,
Result = List.Accumulate(
Table.ToRecords(Source),
[Data = {}, PrevCost = 0], // 初始状态:空结果集+初始成本0
(state, row) => let
总成本 = state[PrevCost] + row[采购成本],
总数量 = row[期初数量] + row[采购数量],
加权单位成本 = if 总数量 = 0 then 0 else 总成本 / 总数量,
期末成本 = row[期末数量] * 加权单位成本,
NewRow = Record.Combine(row, [加权单位成本 = 加权单位成本, 期末成本 = 期末成本])
in
[Data = state[Data] & {NewRow}, PrevCost = 期末成本]
)[Data],
FinalTable = Table.FromRecords(Result)
in
FinalTable
初始状态:Data
存储结果行,PrevCost
传递上期期末成本
迭代逻辑:逐行计算总成本、总数量,避免除数为零
错误
状态更新:将当前行结果追加到Data
,并更新PrevCost
供下行使用
空值处理
若期初数量为 null,需提前替换为 0:
= Table.ReplaceValue(排序后的数据, null, 0, Replacer.ReplaceValue, {"期初数量"})
负数库存处理
通过条件判断限制库存数量:
= Table.AddColumn(Source, "调整后数量", each if [期末数量] < 0 then 0 else [期末数量])
性能优化
大数据量场景下,建议使用Table.Buffer
缓存数据:
= Table.Buffer(Table.Sort(Source, {{"日期", Order.Ascending}}))
手动验证
选取某一行数据,按公式计算加权单位成本:
例:某行期初数量50,采购数量100,采购成本1500,则加权单位成本=(0+1500)/(50+100)=10元
移动加权:成本平滑,反映实时价格变动
FIFO:利润波动大,库存价值接近市价
企业可根据行业特性选择:零售业推荐移动加权,制造业倾向 FIFO
多产品分组计算
使用Table.Group
按产品分组后分别计算:
= Table.Group(Source, {"产品ID"}, {
{"移动加权结果", each let
分组数据 = _,
排序后数据 = Table.Sort(分组数据, {{"日期", Order.Ascending}}),
递归计算 = List.Accumulate(...) // 复用核心公式
in
递归计算
}}
)
与 Power BI 集成
将结果加载到 Power BI 后,可通过 DAX 公式实现动态库存监控:
实时库存价值 = SUMX('移动加权表', [加权单位成本] * [期末数量])
原因:总数量为 0 时未处理
解决:在公式中添加if 总数量 = 0 then 0 else ...
判断
检查排序顺序是否正确
确认空值已处理为 0
验证公式中字段引用是否准确
启用Table.Buffer
减少不必要的列
对大数据集使用数据库直连模式
通过 Power Query 实现移动加权平均法,既能保持财务核算的精确性,又能利用自动化处理提升效率。关键步骤包括:
数据结构化与排序
使用List.Accumulate
递归计算
完善异常处理机制
结合业务场景优化公式
企业可根据自身需求扩展应用,例如与 ERP 系统集成实现实时成本监控,或通过 Power BI 构建动态库存仪表盘。这种方法尤其适合电商、制造业等库存周转频繁的行业,能有效平衡成本核算的准确性与时效性。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25