京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-10在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-10在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01