如何在Pandas中结合GroupBy实现各ID独立的Rolling计算？

这问题我平时处理时序数据时经常碰到！核心症结就是没给Rolling计算加上分组边界限制，导致不同ID的数据串到一起了。要实现每个ID独立重启Rolling逻辑，关键是先按ID分组，再在组内执行滚动计算，具体分两种常用场景给你讲：

场景1：Pandas 环境下的实现 #

假设你的数据是带ID和数值列的DataFrame，先看错误的做法（就是你现在遇到的情况）：

import pandas as pd

# 示例数据
df = pd.DataFrame({
    'ID': ['01', '01', '01', '02', '02', '02'],
    'value': [10, 20, 30, 40, 50, 60]
})

# 错误：直接全局Rolling，会跨ID取数
df['wrong_mean'] = df['value'].rolling(window=2).mean()

运行后你会看到ID02的第一个均值是(30+40)/2=35，用了ID01的最后一个值，这明显不符合需求。

正确实现方式 #

用groupby按ID分组，再对每个组单独执行Rolling计算，最后把结果合并回原表：

# 按ID分组，组内计算滚动均值，重置索引对齐原表
df['rolling_mean'] = df.groupby('ID')['value'].rolling(window=2).mean().reset_index(level=0, drop=True)

这样每个ID的Rolling窗口都会从组内第一条数据开始重新计算，ID02的第一个均值会因为窗口不够显示为NaN，完全符合预期。

如果需要其他滚动统计（比如求和、最大值），只需要把mean()换成sum()/max()等函数就行，逻辑完全一致。

场景2：PySpark 环境下的实现 #

如果是大数据场景用PySpark，思路是用窗口函数的partitionBy指定分组列，确保窗口计算只在ID组内进行：

from pyspark.sql import Window
import pyspark.sql.functions as F

# 假设数据带时间戳（时序数据通常需要排序）
df = spark.createDataFrame([
    ('01', '2024-01-01', 10),
    ('01', '2024-01-02', 20),
    ('01', '2024-01-03', 30),
    ('02', '2024-01-01', 40),
    ('02', '2024-01-02', 50),
    ('02', '2024-01-03', 60)
], schema=['ID', 'timestamp', 'value'])

# 定义窗口：按ID分区，按时间排序，窗口包含当前行和前1行（窗口大小2）
window_spec = Window.partitionBy('ID').orderBy('timestamp').rowsBetween(-1, 0)

# 计算组内滚动均值
df = df.withColumn('rolling_mean', F.avg('value').over(window_spec))

这里的partitionBy('ID')就是核心，它让窗口计算被限制在每个ID内部，不会跨组取数。

核心总结 #

不管用什么工具，实现分ID独立Rolling的关键都是：先按ID划分独立计算单元，再在单元内执行滚动窗口逻辑，从根源上避免跨ID的数据干扰。

内容的提问来源于stack exchange，提问作者Nilzone-