针对你提供的月度数据DataFrame，由于同一id对应的window_in_months值固定，我们可以通过分组后自定义函数处理的方式，为每个分组设置专属的滚动窗口参数。

步骤1：预处理日期列 #

首先确保date列是datetime类型，保证时间排序的正确性：

import pandas as pd

# 构造示例数据
data = {
    'id': [1,1,2,2],
    'date': ['2000-01-01','2000-02-01','2000-01-01','2000-02-01'],
    'window_in_months': [3,3,12,12],
    'value': [20,30,40,60]
}
df = pd.DataFrame(data)

# 转换日期列为datetime类型
df['date'] = pd.to_datetime(df['date'])

步骤2：自定义分组滚动函数 #

编写函数，针对每个分组提取对应的窗口值，执行滚动计算（这里以均值为例，可替换为你需要的聚合函数如sum()、max()等）：

def group_rolling_calc(group):
    # 获取当前分组的窗口大小（同一id的window_in_months值一致，取第一个即可）
    window_size = group['window_in_months'].iloc[0]
    # 先按日期排序，再执行滚动计算，min_periods与窗口大小保持一致
    return group.sort_values('date')['value'].rolling(
        window=window_size, 
        min_periods=window_size
    ).mean()

步骤3：应用分组计算并合并结果 #

通过groupby.apply将函数应用到每个分组，再将结果合并回原DataFrame：

# 应用分组滚动计算，group_keys=False避免保留分组键层级
df['rolling_result'] = df.groupby('id', group_keys=False).apply(group_rolling_calc).reset_index(level=0, drop=True)

结果说明 #

对于示例数据，由于每个分组的数据量都小于对应的窗口大小（id1窗口3只有2条数据，id2窗口12只有2条数据），所以rolling_result列的结果均为NaN，符合min_periods=window_size的要求——只有当窗口内数据量达标时才会输出计算值。

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