如何在Pandas动态窗口（自定义窗口）中计算过滤后列的求和

你的需求是：对每一行数据，计算同code分组内，group_index落在当前行index_start到group_index区间内的price总和。

原代码的问题 #

你当前的代码逻辑里，apply返回的是过滤后的price Series对象，直接赋值给sum列后，每个元素都是一个小Series，而非单个求和数值；后续的df_dynamic_window['sum'].sum()是把所有这些Series的元素全部加总，并非每行对应窗口的单独求和，所以结果不符合预期。

修正后的实现方法 #

方法1：直接在apply内完成求和（简单直观）

修改lambda逻辑，在过滤后直接对price列求和，返回单个数值：

df_dynamic_window['calc_sum'] = df_dynamic_window.apply(
    lambda row: df_dynamic_window.loc[
        (df_dynamic_window['code'] == row['code']) &
        (df_dynamic_window['group_index'] >= row['index_start']) &
        (df_dynamic_window['group_index'] <= row['group_index']),
        'price'
    ].sum(),
    axis=1
)

方法2：分组后处理（提升效率）

如果数据集较大，逐行全局apply效率较低，可以先按code分组，在组内处理减少无效过滤：

def process_group(group):
    group['calc_sum'] = group.apply(
        lambda row: group.loc[
            (group['group_index'] >= row['index_start']) &
            (group['group_index'] <= row['group_index']),
            'price'
        ].sum(),
        axis=1
    )
    return group

df_dynamic_window = df_dynamic_window.groupby('code').apply(process_group)

方法3：迭代分组索引（更灵活）

通过预存分组索引，减少重复的分组判断：

# 先获取每个code对应的行索引集合
code_indices = df_dynamic_window.groupby('code').indices

calc_sum_list = []
for _, row in df_dynamic_window.iterrows():
    # 取出当前code的所有行索引
    group_rows = code_indices[row['code']]
    # 筛选符合区间条件的行
    mask = (df_dynamic_window.loc[group_rows, 'group_index'] >= row['index_start']) & \
           (df_dynamic_window.loc[group_rows, 'group_index'] <= row['group_index'])
    # 计算求和值并加入列表
    calc_sum_list.append(df_dynamic_window.loc[group_rows[mask], 'price'].sum())

df_dynamic_window['calc_sum'] = calc_sum_list

验证结果 #

执行上述任意方法后，calc_sum列的值会和你提供的SUM dynamic window列完全一致（注意原示例中SUM dynamic window被转成了int32，所以小数会被取整，比如B组的2.4会变成2，2.8变成2）。

内容的提问来源于stack exchange，提问作者LAP