如何在Python Pandas DataFrame中生成正确的滞后移动平均？

嘿，刚把这个计算逻辑给捋顺了！之前我用下面这个公式尝试填充3D Average列：

df['3D Average'] = df.iloc[::-1].groupby('Hour').Value.rolling(window = 3).mean().shift().sort_index(level = 1).values

本来想着它会取后续3个同小时日期的数值来算平均，但后来才反应过来我的日期是递增排序的，实际需要的是滞后计算——也就是取当前行之前的3个同小时日期的数值来求平均，方向搞反了！

那修正后的正确公式应该是这样：

df['3D Average'] = df.groupby('Hour')['Value'].rolling(window=3).mean().shift().reset_index(level=0, drop=True).values

逻辑拆解： #

• 先按Hour字段分组，确保只对同一小时的数据做计算
• rolling(window=3)截取每组内连续的3条数据
• .mean()计算这3条数据的平均值
• .shift()把计算结果向后偏移一行，这样当前行的3D Average就对应前3个同小时数据的平均值（不会包含当前行自身的数值）
• 最后用reset_index处理分组产生的多层索引，让结果能完美匹配原DataFrame的行顺序

多亏了社区小伙伴之前的思路启发，终于把这个逻辑给调整对了！

内容的提问来源于stack exchange，提问作者Frank Drin