如何用Pandas计算数据集最近12个月末值的乘积并存入val列？

看起来你之前用循环和shift的思路走偏了——iterrows()里的row是单行数据，没法直接用shift()，而且手动写12个shift不仅繁琐还容易搞错方向（比如你写的shift(-6)是往后取数，不是往前的最近12个）。其实Pandas的rolling滑动窗口工具就能完美解决这个问题，效率还比循环高得多。

基础实现：计算全局最近12条记录的乘积 #

假设你的数据集已经按时间（月末）排序，且monthly列是需要计算乘积的数值列，步骤如下：

import pandas as pd

# 复制原数据并过滤空值
filtered_df = df.copy().dropna(subset=['monthly'])

# 确保数据按时间升序排列（关键！不然窗口会取错数据）
filtered_df = filtered_df.sort_values('your_date_column')  # 替换成你的日期列名，比如'month_end'

# 计算滑动窗口乘积，存入val列
# window=12：窗口大小为12（最近12条记录）
# min_periods=1：如果不足12条记录（比如前11行），也计算现有数据的乘积；如果要求必须满12条，就设为12
filtered_df['val'] = filtered_df['monthly'].rolling(window=12, min_periods=1).apply(lambda x: x.prod(), raw=True)

进阶：按分组计算最近12条记录的乘积 #

如果你的数据是分类别（比如不同产品、不同区域）的，需要每个组单独计算最近12个月的乘积，可以结合groupby和rolling：

# 假设存在分组列'category'，按该列分组后计算滑动乘积
filtered_df['val'] = (
    filtered_df.groupby('category')['monthly']
    .rolling(window=12, min_periods=1)
    .apply(lambda x: x.prod(), raw=True)
    .reset_index(level=0, drop=True)  # 去掉分组索引，匹配原数据结构
)

为什么你的原方法行不通？ #

• iterrows()循环里的row是单行的Series，shift()是针对整个列的操作，不能在单行上使用；
• 你写的shift(-6)是向后取第6行的数据，而我们需要的是向前取最近11行+当前行的12条数据，应该用shift(1)到shift(11)，但这种手动拼接的方式不仅代码冗余，还会因为索引问题出错；
• 循环iterrows()在大数据集下效率极低，远不如Pandas内置的向量化操作（比如rolling）。

内容的提问来源于stack exchange，提问作者jason