如何在反转的MultiIndex层级上应用pandas反向expanding窗口计算？

没问题，我来帮你搞定这个需求！要对每个Level-0索引（比如'A'、'B'、'C'）执行反向expanding计算（也就是从当前行往最后一行累积，而非从第一行开始），核心思路是先反转组内的时间序列，执行普通的expanding操作后再反转回来。下面结合你的示例数据一步步实现：

步骤说明与代码实现 #

首先回顾你的示例数据生成代码（方便上下文理解）：

import numpy as np
import pandas as pd

np.random.seed(456)
j = [(a, b) for a in ['A','B','C'] for b in pd.date_range('2018-01-01', periods=5, freq='W')]
i = pd.MultiIndex.from_tuples(j, names=['Name','Num'])
df = pd.DataFrame(np.random.randn(15), i, columns=['Vals'])
df.loc[df['Vals'] < 0] = np.nan

方法1：通用反向Expanding（支持任意聚合函数） #

这个方法适用于所有expanding支持的聚合操作（sum、mean、max、min等），甚至自定义函数：

# 按Level-0的Name分组，对每个组执行反向expanding求和
reverse_expanding_result = df.groupby(level='Name').apply(
    lambda group: 
        # 1. 反转组内的行顺序（从最后一行开始往前）
        group.iloc[::-1]
        # 2. 执行普通的expanding聚合（这里用sum，可替换为mean/max/min等）
        .expanding().sum()
        # 3. 再次反转行顺序，恢复原时间序列的顺序
        .iloc[::-1]
)

代码解释：

• groupby(level='Name')：将DataFrame按Level-0索引（Name字段）拆分，每个组对应一个类别（A/B/C）的时间序列。
• group.iloc[::-1]：把当前组的行反转，让最后一行变成第一行，这样后续的expanding就相当于从原数据的末尾开始累积。
• .expanding().sum()：对反转后的序列执行正向expanding求和（你可以把sum()换成任意需要的聚合函数，比如mean()、max()）。
• 最后一次iloc[::-1]：把计算结果反转回来，恢复原数据的时间顺序，此时每行的值就是从当前行到该组最后一行的累积值。

方法2：针对求和的高效写法（用cumsum） #

如果你的需求只是累积求和，那么可以用cumsum()替代expanding().sum()，速度会更快：

reverse_expanding_sum = df.groupby(level='Name').apply(
    lambda group: group.iloc[::-1].cumsum().iloc[::-1]
)

这个代码的效果和方法1完全一致，但cumsum()是专门的累积求和函数，性能更优。

验证结果 #

比如查看'A'组的计算结果：

print(reverse_expanding_result.loc['A'])

你会看到每行的Vals值是从当前日期到该组最后一个日期的累积求和（自动忽略NaN值）。

扩展说明 #

如果需要指定最小有效数据量（比如至少1个非NaN值才计算），可以在expanding()中添加min_periods参数：

# 确保至少有1个非NaN值才返回结果
reverse_expanding_result = df.groupby(level='Name').apply(
    lambda group: group.iloc[::-1].expanding(min_periods=1).mean().iloc[::-1]
)

内容的提问来源于stack exchange，提问作者feetwet