在Python中按ID分组时，在数据框列上计算滚动平均值

Question

鉴于df：

df = pd.DataFrame([{'a':'id1', 'b':10}, {'a':'id2', 'b':20}, 
{'a':'id1', 'b':11}, {'a':'id2', 'b':21},
{'a':'id3', 'b':12}, {'a':'id3', 'b':'NaN'},
{'a':'id1', 'b':0}, {'a':'id2', 'b':23}, 
{'a':'id1', 'b':0}, {'a':'id5', 'b':0}, {'a':'id4', 'b':10}, {'a':'id2', 'b':20}, 
{'a':'id4', 'b':11}, {'a':'id2', 'b':21},
{'a':'id1', 'b':12}, {'a':'id2', 'b':'NaN'},
{'a':'id3', 'b':0}, {'a':'id4', 'b':23}, 
{'a':'id1', 'b':0}, {'a':'id2', 'b':0}])

我正在为存储在列“ a”中的给定“ id”计算滚动平均值和列“ b”中先前值的最大值。

我正在使用的当前代码只是在a列中的两种id类型之间交替给出正确的移位，因此，在现实生活中一旦添加了其他id，该方法将无法正常工作：

df['rolling_mean_2'] = (df.assign(b=df.b.shift())
               .groupby('a')['b']
               .rolling(window=2, min_periods=2)
               .mean()
               .sort_index(level=1)
               .shift()
               .values)

df['rolling_mean_last'] = (df.assign(b=df.b.shift())
               .groupby('a')['b']
               .rolling(window=1, min_periods=1)
               .mean()
               .sort_index(level=1)
               .shift()
               .values)

df['rolling_max_4'] = (df.assign(b=df.b.shift())
               .groupby('a')['b']
               .rolling(window=4, min_periods=4)
               .max()
               .sort_index(level=1)
               .shift()
               .values)

输出以下内容：

     a  b   rolling_mean_2  rolling_mean_last   rolling_max_4
0   id1 10    NaN            NaN                    NaN
1   id2 20    NaN            NaN                    NaN
2   id1 11    NaN           10.0                    NaN
3   id2 21    NaN           20.0                    NaN
4   id3 12    10.5          11.0                    NaN
5   id3 NaN   NaN           21.0                    NaN
6   id1 0     16.5          12.0                    NaN
7   id2 23    NaN           NaN                     NaN
8   id1 0     5.5           0.0                     NaN
9   id5 0     NaN           23.0                    NaN
10  id4 10    NaN           0.0                     NaN
11  id2 20    NaN           0.0                     NaN
12  id4 11    5.0           10.0                    11.0
13  id2 21    10.0          20.0                    NaN
14  id1 12    10.5          11.0                    11.0
15  id2 NaN   22.0          21.0                    NaN
16  id3 0     11.5          12.0                    12.0
17  id4 23    NaN           NaN                     NaN
18  id1 0     10.0          0.0                     NaN
19  id2 0     22.0          23.0                    NaN

我的预期输出是：

    a   b   rolling_mean_2  rolling_mean_last   rolling_max_4
0   id1 10  NaN                 NaN                NaN
1   id2 20  NaN                 NaN                NaN
2   id1 11  NaN                 10.0               NaN
3   id2 21  NaN                 20.0               NaN
4   id3 12  NaN                 NaN                NaN
5   id3 NaN NaN                 12.0               NaN
6   id1 0   10.5                11.0               NaN
7   id2 23  20.5                21.0               NaN
8   id1 0   10.75               0.0                NaN
9   id5 0   NaN                 NaN                NaN
10  id4 10  NaN                 NaN                NaN
11  id2 20  22                  21.0               NaN
12  id4 11  5.0                 NaN                NaN
13  id2 21  21.5                23.0               23.0

Answer 1

使用：df ['rolling_mean_last'] = df.groupby（'a'）['b']。apply（lambda x：x.rolling（window = 1，min_periods = 1）.mean（）。shift（））

能够输出预期的df。