Pandas按品牌分组计算同分类下12个月滚动销售额方法

你的数据已经提前按Brand、Date排序完成，直接按品牌分组后执行滚动计算即可，代码如下：

df['12m_rolling'] = df.groupby('Brand')['sales']\
    .rolling(window=12, min_periods=12)\
    .sum()\
    .reset_index(drop=True)

• 先通过groupby('Brand')将数据按品牌拆分为独立计算单元，所有滚动计算仅在单个品牌的分组内执行，不会跨品牌取数，自然满足「新品牌首次出现后前11条记录值为NaN」的要求
• 滚动计算的参数window=12, min_periods=12和你原有代码逻辑完全一致：窗口长度为12条记录，只有凑够12条有效数据时才返回求和结果，不足12条的位置返回NaN
• 末尾的reset_index(drop=True)用于清除分组+滚动操作生成的多层索引，保证计算结果的行顺序和原DataFrame完全匹配，避免赋值错位

如果你的数据存在品牌月度记录缺失（比如某品牌缺了某几个月的销售数据，行记录不连续），上述按行计数的滚动逻辑会出现误差，此时需要先将日期转为时间类型设为索引，使用时间维度窗口计算，代码参考：

# 适配缺月场景：按自然12个月窗口计算
df = df.set_index(pd.to_datetime(df['Date']))
df['12m_rolling'] = df.groupby('Brand')['sales']\
    .rolling('365D', min_periods=12)\
    .sum()\
    .reset_index(drop=True)
df = df.reset_index()

内容的提问来源于stack exchange，提问作者Maksim .Levin