非日期格式天数列的30天滚动求和实现方案问询

你原代码的问题在于：rolling(30, on='day')中的30指定的是窗口包含的行数，而非基于day数值的时间范围，所以会计算最近30行的求和，而非30天内的数据。下面提供三种针对性的解决方案：

方案一：分组+行级筛选（小数据量适用） #

直接针对每个客户分组，对组内每一行筛选出day在当前行day-30到day范围内的foo值求和：

import pandas as pd
import numpy as np

# 示例数据
df = pd.DataFrame({'client': ['A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B'], 
                   'day': [319, 323, 336, 352, 379, 424, 461, 486, 496, 499, 303, 334, 346, 373, 374, 395, 401, 408, 458, 492],
                   'foo': [5.0, 2.0, np.nan, np.nan, np.nan, np.nan, np.nan, 7.0, np.nan, np.nan, 8.0, 7.0, 22.0, np.nan, 13.0, np.nan, np.nan, 5.0, 11.0, np.nan]})

def calc_30day_sum(group):
    group['foo_30day'] = group.apply(
        lambda row: group.loc[(group['day'] >= row['day'] - 30) & (group['day'] <= row['day']), 'foo'].sum(skipna=True),
        axis=1
    )
    return group

df = df.groupby('client').apply(calc_30day_sum).reset_index(drop=True)
print(df)

运行后会得到正确的按天数范围的求和结果，比如client A的第1行（day=323）会包含day=319和323的foo值，求和为5.0+2.0=7.0。

方案二：merge_asof批量关联（大数据量推荐） #

如果数据量较大，行级循环效率偏低，可以用merge_asof批量匹配每个行对应的30天范围数据，再分组求和：

# 先按client和day排序（merge_asof要求输入已排序）
df_sorted = df.sort_values(['client', 'day']).reset_index(drop=True)
# 复制数据作为匹配源，计算day的下限
df_match = df_sorted.copy()
df_match['day_low'] = df_match['day'] - 30

# 匹配每个client下，day在[day_low, day]范围内的所有记录
merged = pd.merge_asof(
    df_sorted,
    df_match[['client', 'day', 'foo']],
    on='day',
    by='client',
    direction='backward',
    tolerance=30
)

# 按原数据索引分组求和，再合并回原表
df_sorted['foo_30day'] = merged.groupby(merged.index)['foo_y'].sum(skipna=True)
df = df.merge(df_sorted[['client', 'day', 'foo_30day']], on=['client', 'day'], how='left')
print(df)

这种方法利用向量化操作，比循环apply效率提升显著，适合处理十万级以上的数据量。

方案三：转换为日期格式后使用滚动窗口 #

如果day代表的是明确的日期偏移（比如当年的第几天、从某个起始日开始的累计天数），可以转换为日期格式后使用rolling('30D')：

# 假设day是2023年的第几天，起始日期可根据实际情况调整
df['date'] = pd.to_datetime('2023-01-01') + pd.to_timedelta(df['day'] - 1, unit='D')
# 按client分组，基于日期计算30天滚动求和
df['foo_30day'] = df.groupby('client').rolling('30D', on='date', min_periods=1)['foo'].sum().values
# 可选：删除临时日期列
df = df.drop('date', axis=1)
print(df)

这种方法代码简洁，前提是你能明确day对应的日期规则。

内容的提问来源于stack exchange，提问作者amance