如何在GroupBy操作中按日期条件计算动态窗口的滚动均值？

需求：编写代码实现，若当前日期与id分组的最小日期差值超过3个月（按90天计），使用21天窗口计算rev字段的滚动均值；否则使用7天窗口。

示例数据：

import pandas as pd
import numpy as np
np.random.seed(0)
dt = pd.DataFrame({'id' : [1,1,2,2,1],
                  'date' : ['2023-09-01', '2023-09-10', '2023-01-01', '2023-01-13', '2023-09-11'],
                  'rev' : np.random.randint(100, 150, 5)})
dt
# 输出：
#    id  date        rev
# 0   1   2023-09-01  144
# 1   1   2023-09-10  147
# 2   2   2023-01-01  100
# 3   2   2023-01-13  103
# 4   1   2023-09-11  103

尝试的代码：

dt.groupby('id').transform(lambda x : x['rev'].rolling(window = '21D', min_periods = 1).mean() if pd.to_datetime('today') - x['date'].min() >= 90 else x['rev'].rolling(window = '7D', min_periods = 1).mean())

运行后出现KeyError: 'date'错误，请求实现正确的滚动均值计算。

使用groupby('id').transform()时，lambda函数的参数x是单个列的Series（而非整个分组的DataFrame），因此无法通过x['date']或x['rev']访问其他列，这就是报错的根源。

1. 先将date列转换为datetime类型，确保日期运算和滚动窗口生效。
2. 使用groupby('id').apply()处理每个分组的完整DataFrame，这样可以同时访问date和rev列。
3. 计算当前日期与分组最小日期的差值时，用天数数值进行比较，避免类型错误。

完整代码：

import pandas as pd
import numpy as np

np.random.seed(0)
dt = pd.DataFrame({'id' : [1,1,2,2,1],
                  'date' : ['2023-09-01', '2023-09-10', '2023-01-01', '2023-01-13', '2023-09-11'],
                  'rev' : np.random.randint(100, 150, 5)})

# 转换日期列为datetime类型
dt['date'] = pd.to_datetime(dt['date'])

def calculate_rolling_mean(group):
    # 计算当前日期与分组最小日期的天数差值
    days_diff = (pd.to_datetime('today') - group['date'].min()).days
    # 根据差值选择滚动窗口
    window = '21D' if days_diff >= 90 else '7D'
    # 计算滚动均值，需将date设为索引以支持时间窗口
    group['rolling_rev_mean'] = group.set_index('date')['rev'].rolling(window=window, min_periods=1).mean().values
    return group

# 应用函数并重置索引
result = dt.groupby('id').apply(calculate_rolling_mean).reset_index(drop=True)
print(result)

输出示例（假设当前日期为2023-10-01）：

id       date  rev  rolling_rev_mean
0   1 2023-09-01  144        144.000000
1   1 2023-09-10  147        145.500000
2   1 2023-09-11  103        131.333333
3   2 2023-01-01  100        100.000000
4   2 2023-01-13  103        103.000000

内容的提问来源于stack exchange，提问作者Karthik S