如何在Pandas中高效获取当前行与前n行的列最小值？

你说得对，当需要扩展到前n行（从你的示例来看，实际是当前行加上后续n行，如果我理解错了可以随时调整）时，手动创建shift(-1)、shift(-2)这类列的方法会变得非常繁琐——不仅要写大量重复代码，还会额外占用内存存储这些中间列。这里有两种更优的实现方式，不管n是多少都能轻松应对：

方法一：利用Pandas Rolling窗口（简洁易读） #

Pandas的rolling默认是向前滑动窗口，我们可以通过反转数组的方式实现向后滑动窗口，从而一次性计算出当前行与后续n行的最小值：

import pandas as pd

# 示例数据集
df = pd.DataFrame([12,11,4,15,6], columns=['score'])
n = 2  # 需要包含的后续行数，总窗口大小为n+1

# 反转数组后执行rolling，再反转回来得到结果
df['Minimum'] = df['score'][::-1].rolling(window=n+1, min_periods=1).min()[::-1]

运行后得到的结果和你手动创建列的结果完全一致：

score  Minimum
0     12      4.0
1     11      4.0
2      4      4.0
3     15      6.0
4      6      6.0

优点： #

• 代码简洁，一行搞定，可读性强
• 不需要创建任何中间列，节省内存
• 调整n只需要修改一个参数，扩展性极佳

方法二：Numpy滑动窗口（性能最优） #

如果你的数据集非常大，追求极致性能的话，可以用Numpy的sliding_window_view来创建滑动窗口，直接对数组进行计算，速度会比Pandas更快：

import numpy as np
import pandas as pd

df = pd.DataFrame([12,11,4,15,6], columns=['score'])
n = 2
window_size = n + 1
score_arr = df['score'].values

# 创建滑动窗口：每个窗口包含当前元素和后续n个元素
sliding_windows = np.lib.stride_tricks.sliding_window_view(score_arr, window_size)
# 计算每个窗口的最小值
window_mins = sliding_windows.min(axis=1)

# 处理末尾不足window_size的部分（比如最后n行）
remaining_indices = range(len(score_arr) - window_size + 1, len(score_arr))
remaining_mins = np.array([score_arr[i:].min() for i in remaining_indices])

# 合并结果到DataFrame
df['Minimum'] = np.concatenate([window_mins, remaining_mins])

优点： #

• 基于Numpy底层实现，处理大数据集时性能远超Pandas方法
• 直接操作数组，内存占用更低

补充：如果是当前行与前面n行的最小值 #

如果你实际需求是当前行加上前面n行的最小值（比如行2的最小值是12、11、4），那更简单，直接用默认的向前Rolling窗口即可：

df['Minimum'] = df['score'].rolling(window=n+1, min_periods=1).min()

内容的提问来源于stack exchange，提问作者Charlie Siu