对于应收账款，作为财务的你是否在关心：谁欠钱？谁欠的多？谁欠的久？
当应收账款未能按时收回时，就会降低企业资金的使用效率，使企业效益下降。
在赊销业务中，企业发出商品并开票确认收入后，货款却不能同步到账，这种没有货款回笼的销售收入，势必会形成没有现金流入的会计利润，企业还需垫支由此产生的相关税款。
对于应收账款的管理成本、清欠过程中的中介费用等都会增加企业的现金流出，这不仅占用了大量的流动资金，还将影响企业现金流的正常运转。
在今天的案例中，为规避应收账款变成坏账的风险，小秘书将与大家分享跟应收账款账龄分析相关的实用工具，教大家如何借助数字化技术Python依据应收账款数据的“凭证日期”统计账龄。
在案例中，我们将运用先进先出的原则：
- 如果应收账款借方发生额已经实现回款，那么，这部分交易不影响我们对应收账龄的统计；
- 倒序统计应收账款余额分布在哪几笔借方发生里（定义为“实际应收”），即可按实际应收借方发生的日期统计应收账款账龄。
（在本次案例中，我们暂不考虑应收账款借方红字的情况）
一般来说，应收账款清账操作需要在核算系统中找到对应的应收账款借方凭证，然后对该笔凭证进行冲销。在这种情况下，统计应收账款账龄只需要找到未冲销的应收账款，计算凭证日期/交易日期至统计日期的间隔时长就可以了。
我们使用先进先出的方法统计截止2020/9/30的应收账龄，账龄分段格式如下：
1
数据准备
引入应收账款凭证数据：
import pandas as pd
from datetime import datetime, date
import warnings
warnings.filterwarnings("ignore")
pd.options.display.float_format = '{:,.2f}'.format
file = '财会实验数据.xlsx'
df = pd.read_excel(file, sheet_name='客户往来账')
df.fillna(0,inplace=True)
df
2
数据处理
根据实验要求，按每个客户先进先出的原则统计账龄。因此先对应收账款数据按客groupby，再在每个group中进行账龄计算，group内的账龄计算逻辑我们命名为AR函数。
def AR(x):
# 计算客户应收款余额
total = x['本币金额'].sum()
# 统计应收账款借方
df_dr = x[x['本币金额']>0]
# 按过账日期降序
df_dr = df_dr.sort_values(by=['过帐日期'],ascending=False).reset_index(drop=True)
# 应收账款先进先出，因此将余额分摊在最后几笔借方交易，一旦分摊完则停止
for index, row in df_dr.iterrows():
if total-row['本币金额']>0:
df_dr.loc[index,'实际应收'] = row['本币金额']
else:
df_dr.loc[index,'实际应收'] = total
break
total = total-row['本币金额']
return df_dr
df2 = df.groupby('客户编号',as_index=False).apply(AR)
# 找一个客户验证计算结果
df2.loc[df2['客户编号']==23500000]
过滤实际应收为空或者为0的数据（代表已清账）
df3=df2[（pd.isna(df2['实际应收']）
==False）&（df2['实际应收']！=0）
df3.loc[df3['客户编号']==23500000]
