Выстраивание дебета и кредита в пандах?

Вот подход, который идентифицирует совпадающие пары. Это долго, но не сложно. Сделайте defaultdict для дебета и для кредита.

• Ключ - Дата + Сторона + Сумма (измените знак суммы для кредитов).
• Значением является уникальный идентификатор (я назвал его seq_num, но это просто исходный индекс).

from collections import defaultdict
from io import StringIO
import pandas as pd

# create data frame
data = '''
   Date    Party  Debit_Credit  Amount 
 9/1/2020  Wells  Debit              4 
 9/1/2020  Wells  Credit            -4 
 9/1/2020  Wells  Debit              4 
 9/1/2020  Wells  Debit              4 
 9/2/2020  BOA    Credit            -4 
 9/2/2020  BOA    Debit              4 
 9/3/2020  Chase  Debit              4 
'''
df = pd.read_csv(StringIO(data), sep='\s+', 
                 engine='python', parse_dates=['Date'])
df = df.reset_index().rename(columns={'index': 'seq_num'})

Следующий шаг:

# make a default dictionary for debits
# key => (Date + Party + Amount)
# value => list of seq_num
# same for credits (exept use -1 * Amount)

debits = defaultdict(list)
credits = defaultdict(list)

for row in df.itertuples():
    if row.Debit_Credit == 'Debit':
        key = (row.Date, row.Party, row.Amount)
        debits[key].append(row.seq_num)
    elif row.Debit_Credit == 'Credit':
        key = (row.Date, row.Party, (-1) * row.Amount)
        credits[key].append(row.seq_num)
    else:
        continue # can't get here!

Теперь повторите дебетовую диктовку. Если ключ существует и в словаре кредитов, то мы нашли совпадающую пару — переместите порядковые номера в словарь «смещения».

offsets = defaultdict(list)

for key, value in debits.items():
    # is this key also in credits?
    if key in credits:
        print(key, 'found offset!')
        debit_seq_num = value.pop()
        credit_seq_num = credits[key].pop()
        offsets[key].append((debit_seq_num, credit_seq_num))

Наконец, мы можем распечатать небольшой отчет, перебирая каждый словарь:

# print report

print('debits')
for key, value in debits.items():
    if value:
        print('    ', key, value)
        
print('credits')
for key, value in credits.items():
    if value:
        print('    ', key, value)

print('offsets')
for key, value in offsets.items():
    if value:
        print('    ', key, value)

debits
     (Timestamp('2020-09-01 00:00:00'), 'Wells', 4) [0, 2]
     (Timestamp('2020-09-03 00:00:00'), 'Chase', 4) [6]
credits
offsets
     (Timestamp('2020-09-01 00:00:00'), 'Wells', 4) [(3, 1)]
     (Timestamp('2020-09-02 00:00:00'), 'BOA', 4) [(5, 4)]

Словарь offsets дает пары порядковых номеров, которые являются смещениями. Обратите внимание, что объединение дебетов, кредитов и смещений совпадает с исходным фреймом данных (мы не пересчитали дважды и ничего не потеряли).

Если вам нужно только количество раз, когда это происходит, вы можете сравнить количество совпадающих экземпляров. Сначала подсчитайте аналогичные суммы для каждой Даты/Стороны для Дебета и Кредита:

debit_df = df.loc[df['Debit/Credit'] == 'Debit'].groupby(['Date', 'Party', 'Amount']).count().reset_index()
credit_df = df.loc[df['Debit/Credit'] == 'Credit'].groupby(['Date', 'Party', 'Amount']).count().reset_index()

Затем измените одно из значений на отрицательное значение, чтобы его также можно было использовать при сопоставлении:

credit_df.rename(columns={'Amount':'Credit_Amount'}, inplace=True)
credit_df['Amount'] = -credit_df['Credit_Amount']

В конце сопоставьте два dfs на Date, Party и Amount, отбросьте NA и найдите количество смещений:

matching_trans = debit_df.merge(credit_df, on=['Date', 'Party', 'Amount'], how='left').dropna(axis=0)
matching_trans.rename(columns={'Amount':'Debit_Amount', 'Debit/Credit_x':'Debit_count',
                               'Debit/Credit_y':'Credit_count'}, inplace=True)
matching_trans['offset_count'] = matching_trans.apply(lambda x: min(x.Credit_count, x.Debit_count),axis=1)

«offset_count» даст вам количество смещений, которые у вас есть для каждой комбинации Дата/Вечеринка.