Python如何计算足球数据的年度及生涯场均滚动平均值

前置准备：数据排序 #

所有时间维度的窗口计算核心前提是保证数据按比赛先后顺序排列，先执行排序操作，让每个球员的记录按职业生涯比赛顺序排列：

df = df.sort_values(by=['Player', '年份', '周次']).reset_index(drop=True)

排序完成后分组内的行顺序天然匹配比赛先后顺序，不需要为rolling自定义时间窗口，直接基于行顺序计算即可。

场景1：累计场均计算（截止到当前周的总场均） #

如果要计算的是生涯/年度截止到当前周的所有比赛场均值，使用pandas的expanding累计窗口实现即可，代码如下：

# 配置指标映射关系，可按需扩展
metric_map = {
    '冲球码数': ['生涯场均冲球码数', '年度场均冲球码数'],
    '接球数': ['生涯场均接球数', '年度场均接球数']
}

for origin_col, (career_col, annual_col) in metric_map.items():
    # 计算生涯累计场均：按球员分组，累计从首秀到当前场的指标平均值
    df[career_col] = df.groupby('Player')[origin_col].expanding(min_periods=1).mean().reset_index(drop=True)
    # 计算年度累计场均：按球员+年份分组，累计当年首周到当前周的指标平均值
    df[annual_col] = df.groupby(['Player', '年份'])[origin_col].expanding(min_periods=1).mean().reset_index(drop=True)

上述逻辑直接在原数据集上新增字段，不需要额外做关联合并操作。

场景2：近N场滚动场均计算 #

如果你需要的是最近N场比赛的滚动平均值而非累计场均，把上述代码中的expanding替换为rolling(N)即可：

N = 3 # 可按需调整窗口大小
for origin_col, (career_col, annual_col) in metric_map.items():
    # 生涯近N场场均
    df[career_col] = df.groupby('Player')[origin_col].rolling(N, min_periods=0).mean().reset_index(drop=True)
    # 年度近N场场均
    df[annual_col] = df.groupby(['Player', '年份'])[origin_col].rolling(N, min_periods=0).mean().reset_index(drop=True)

特殊场景说明：如果原始数据中存在同一球员同一周有多条比赛记录的情况，需要先按Player、年份、周次分组聚合单周的总冲球码数、总接球数，再执行上述场均计算逻辑，避免周内重复统计。

内容的提问来源于stack exchange，提问作者kh7