如何获取pandas groupby对象的expanding最大值并解决索引报错

这个IndexError: index 97 is out of bounds for axis 0 with size 97是pandas中groupby和expanding联用时的索引对齐bug导致的：

• 分组后直接调用expanding()返回的结果带有双层索引结构：第一层是pd.Grouper生成的15分钟分组时间键，第二层才是原数据的DatetimeIndex
• 直接将双层索引的计算结果赋值给原单层索引的DataFrame列时，pandas的索引匹配逻辑出错，就会触发数组越界报错。

顺带提一句，你贴的样例代码里date_range生成的时间范围是2015-01-01到2015-01-02，但打印的df结果到了2015-01-07，属于笔误，不影响问题复现。

有两种稳定可用的实现方式，计算逻辑完全符合「每个15分钟区间内逐行计算从区间起点到当前行的最大值」的需求：

• 方式一：直接使用分组累计最大值（性能最好，写法最简洁）
  分组内的expanding最大值本质就是分组累计最大值，用内置的cummax方法可以直接避开索引对齐问题：

  import pandas as pd
  import numpy as np
  
  np.random.seed(0)
  indexcol = pd.date_range('01-01-2015 00:00:00','01-02-2015 00:00:00',freq='1min',tz='Europe/Amsterdam')
  df = pd.DataFrame({'value':np.random.random(len(indexcol))},index=indexcol)
  df = (df - 0.5).cumsum()
  
  # 计算15分钟分组内的expanding最大值
  df['15min_expanding_max'] = df.groupby(pd.Grouper(freq='15min'))['value'].cummax()
  

• 方式二：保留expanding接口写法（适配复杂窗口计算场景）
  如果你后续需要替换为其他expanding算子（比如expanding均值、标准差、自定义聚合等），可以在计算后删除多余的分组索引层，保证结果和原DataFrame索引完全对齐：

  df['15min_expanding_max'] = df.groupby(pd.Grouper(freq='15min'))['value'].expanding().max().droplevel(0)
  

两种写法的计算结果完全一致：每进入一个新的15分钟时间窗口，累计最大值就会重置，从窗口内的第一个值开始重新逐行计算累计最大值，且上述写法在pandas 1.0+所有版本均可稳定运行，不存在版本兼容问题。

内容的提问来源于stack exchange，提问作者jcnc