我有一个grouped类型的时间序列对象<pandas.core.groupby.SeriesGroupBy object at 0x03F1A9F0>。grouped.sum()给出了预期的结果，但我无法让 rolling_sum 使用该groupby对象。有没有办法将滚动功能应用于groupby对象？例如：
x = range(0, 6)
id = ['a', 'a', 'a', 'b', 'b', 'b']
df = DataFrame(zip(id, x), columns = ['id', 'x'])
df.groupby('id').sum()
id x
a 3
b 12
但是，我想要类似的东西：
id x
0 a 0
1 a 1
2 a 3
3 b 3
4 b 7
5 b 12
对于遇到这个老问题的 Google 员工：
关于@kekert 对@Garrett 使用新答案的评论
df.groupby('id')['x'].rolling(2).mean()
而不是现在弃用的
df.groupby('id')['x'].apply(pd.rolling_mean, 2, min_periods=1)
奇怪的是，新的 .rolling().mean() 方法似乎返回了一个多索引系列，首先由 group_by 列索引，然后是索引。然而，旧方法将简单地返回由原始 df 索引单独索引的系列，这可能不太有意义，但使得将该系列作为新列添加到原始数据框中非常方便。
所以我想我已经找到了一个使用新 rolling() 方法的解决方案，并且仍然可以正常工作：
df.groupby('id')['x'].rolling(2).mean().reset_index(0,drop=True)
这应该给你系列
0 0.0
1 0.5
2 1.5
3 3.0
4 3.5
5 4.5
您可以将其添加为列：
df['x'] = df.groupby('id')['x'].rolling(2).mean().reset_index(0,drop=True)
为了直接回答这个问题，cumsum 方法将产生所需的系列：
In [17]: df
Out[17]:
id x
0 a 0
1 a 1
2 a 2
3 b 3
4 b 4
5 b 5
In [18]: df.groupby('id').x.cumsum()
Out[18]:
0 0
1 1
2 3
3 3
4 7
5 12
Name: x, dtype: int64
更一般地说，任何滚动功能都可以按如下方式应用于每个组（使用@kekert 评论的新 .rolling 方法）。请注意，返回类型是多索引系列，这与以前（已弃用）的 pd.rolling_* 方法不同。
In [10]: df.groupby('id')['x'].rolling(2, min_periods=1).sum()
Out[10]:
id
a 0 0.00
1 1.00
2 3.00
b 3 3.00
4 7.00
5 9.00
Name: x, dtype: float64
要应用每组滚动功能并以原始数据帧顺序接收结果，应使用转换：
In [16]: df.groupby('id')['x'].transform(lambda s: s.rolling(2, min_periods=1).sum())
Out[16]:
0 0
1 1
2 3
3 3
4 7
5 9
Name: x, dtype: int64
作为参考，以下是现已弃用的 pandas.rolling_mean 的行为方式：
In [16]: df.groupby('id')['x'].apply(pd.rolling_mean, 2, min_periods=1)
Out[16]:
0 0.0
1 0.5
2 1.5
3 3.0
4 3.5
5 4.5
这是另一种泛化良好并使用熊猫扩展方法的方法。
它非常高效，也非常适用于具有固定窗口的滚动窗口计算，例如时间序列。
# Import pandas library
import pandas as pd
# Prepare columns
x = range(0, 6)
id = ['a', 'a', 'a', 'b', 'b', 'b']
# Create dataframe from columns above
df = pd.DataFrame({'id':id, 'x':x})
# Calculate rolling sum with infinite window size (i.e. all rows in group) using "expanding"
df['rolling_sum'] = df.groupby('id')['x'].transform(lambda x: x.expanding().sum())
# Output as desired by original poster
print(df)
id x rolling_sum
0 a 0 0
1 a 1 1
2 a 2 3
3 b 3 3
4 b 4 7
5 b 5 12
我不确定机制，但这有效。注意，返回的值只是一个 ndarray。我认为您可以以这种方式应用任何累积或“滚动”功能，它应该具有相同的结果。
我已经用它进行了测试cumprod，cummax并且cummin它们都返回了一个 ndarray。我认为 pandas 足够聪明，可以知道这些函数返回一个系列，因此该函数被用作转换而不是聚合。
In [35]: df.groupby('id')['x'].cumsum()
Out[35]:
0 0
1 1
2 3
3 3
4 7
5 12
编辑：我很好奇这种语法确实返回了一个系列：
In [54]: df.groupby('id')['x'].transform('cumsum')
Out[54]:
0 0
1 1
2 3
3 3
4 7
5 12
Name: x
如果您需要将分组滚动功能重新分配回原始数据框，同时保持顺序和组，您可以使用该transform功能。
df.sort_values(by='date', inplace=True)
grpd = df.groupby('group_key')
#using center=false to assign values on window's last row
df['val_rolling_7_mean'] = grpd['val'].transform(lambda x: x.rolling(7, center=False).mean())