是否有一个 pandas 函数可以对数据框中的一组先前行元素求和？

Question

我正在尝试创建一个函数，该函数可以查看 DataFrame 中的前几行，并根据一组要回顾的行数对它们求和。在这里，我使用了 3，但理想情况下，我想将其放大以回顾更多行。我的解决方案有效，但似乎效率不高。另一个标准是每次击中一个新团队时，计数必须重新开始，因此每个新团队的第一行始终为 0，数据将按团队顺序排序，但如果解决方案已知数据不存在的位置在团队秩序中，这将是不可思议的。 Pandas 中是否有可以帮助解决此问题的函数？

到目前为止，我已经尝试了下面的代码并尝试在谷歌上搜索问题，我能找到的最接近的例子是：here!但这对索引进行了分组，我不确定如何在每次遇到新团队时该值都必须不断重置时应用它，因为每次有新团队时它都不会区分。

np.random.seed(0)
data = {'team':['a','a','a','a','a','a','a','a','b','b',
    'b','b','b','b','b','b','c','c','c','c','c','c','c','c'], 
    'teamPoints': np.random.randint(0,4,24)}

df = pd.DataFrame.from_dict(data)
df.reset_index(inplace=True)

def find_sum_last_3(x):
    if x == 0:
        return 0
    elif x == 1:
        return df['teamPoints'][x-1]
    elif x == 2:
        return df['teamPoints'][x-1] + df['teamPoints'][x-2]



    elif df['team'][x] != df['team'][x-1]:
        return 0
    elif df['team'][x] != df['team'][x-2]:
        return df['teamPoints'][x-1]
    elif df['team'][x] != df['team'][x-3]:
        return df['teamPoints'][x-1] + df['teamPoints'][x-2]


    else:
        return df['teamPoints'][x-1] + df['teamPoints'][x-2] + 
df['teamPoints'][x-3]

df['team_form_3games'] = df['index'].apply(lambda x : find_sum_last_3(x))

函数的第一部分解决了由于元素少于 3 个而无法求和为 3 的边缘情况

函数的第二部分解决了“团队”变化的问题。当团队发生变化时，总和需要重新开始，因此每个“团队”都被单独考虑

最后一部分只是查看数据帧的前 3 个元素并将它们相加。

此示例按预期工作，并提供了一个具有预期输出的新列，如下所示：

0, 0, 3, 4, 4, 4, 6, 9, 0, 1, 4, 5, 6, 3, 5, 5, 0, 0, 0, 2, 3, 5, 6, 8

第一个元素是 0，因为它是边缘情况，第二个是 0，因为第一个元素的和是 0。第三个是 3，因为第一个和第二个元素的和是 3。第四个是第一个，第二个的和，第三。 5th 是 2nd,3rd,4th 的总和。 6th 是 3rd,4th,5th 的总和

但是，当扩展到 10 时，效率非常低，因此很难扩展到 10 或 15。它也很不优雅，需要为每个不同长度的总和编写一个新函数。

Answer 1

我想你在找GroupBy.apply + rolling：

r3=df.groupby('team')['teamPoints'].apply(lambda x: x.rolling(3).sum().shift())
r2=df.groupby('team')['teamPoints'].apply(lambda x: x.rolling(2).sum().shift())
r1=df.groupby('team')['teamPoints'].apply(lambda x: x.shift())
df['team_form_3games'] = r3.fillna(r2.fillna(r1).fillna(0))
print(df)

输出：

    index team  teamPoints  team_form_3games
0       0    a           0               0.0
1       1    a           3               0.0
2       2    a           1               3.0
3       3    a           0               4.0
4       4    a           3               4.0
5       5    a           3               4.0
6       6    a           3               6.0
7       7    a           3               9.0
8       8    b           1               0.0
9       9    b           3               1.0
10     10    b           1               4.0
11     11    b           2               5.0
12     12    b           0               6.0
13     13    b           3               3.0
14     14    b           2               5.0
15     15    b           0               5.0
16     16    c           0               0.0
17     17    c           0               0.0
18     18    c           2               0.0
19     19    c           1               2.0
20     20    c           2               3.0
21     21    c           3               5.0
22     22    c           3               6.0
23     23    c           2               8.0