如何仅在过去 365 天使用 group by 对 pandas 数据框执行滚动求和

尝试计算 p_id 仅过去 365 天的滚动总和，创建一个包含此滚动总和的新列。具有新列的数据框应如下所示：

Date        p_id    points          roll_sum
                                
2016-07-29  57        11            11
2016-08-01  57        9             20
2017-01-12  57        5             25
2017-10-23  57        18            23
2018-03-03  57        0             18
2018-03-06  57        4             22
2019-03-16  57        3             3
1997-04-07  12        50            50
1997-04-09  12        32            82
1998-02-11  12        3             85
1998-05-12  12        0             3
1999-05-22  12        0             3
1999-05-29  12        15            18
2000-07-20  12        2             2
2002-10-27  12        17            19

使用此命令时出现错误“窗口必须是整数”：

df.groupby(['Date', 'p_id'])['points'].rolling('365D', min_periods=1).sum()

or this:

df.reset_index(level=0).set_index('Date').groupby('p_id').points.rolling('365D').sum()

尝试在 SO 上搜索，得到了与我类似的答案，但它使用了 python 2.x 的冗余命令

可以使用代码重新创建数据框：

dates = ['2016-07-29',
'2016-08-01',
'2017-01-12',
'2017-10-23',
'2018-03-03',
'2018-03-06',
'2019-03-16',
'1997-04-07',
'1997-04-09',
'1998-02-11',
'1998-05-12',
'1999-05-22',
'1999-05-29',
'2000-07-20',
'2002-10-27']


pid = [57,57,57,57,57,57,57,12,12,12,12,12,12,12,12]

points = [11,9 ,5 ,18,0 ,4 ,3 ,50,32,3 ,0 ,0 ,15,2 ,17]

roll_sum = [11,20,25,23,18,22,3 ,50,82,85,3 ,3 ,18,2 ,19]

df = pd.DataFrame({'Date': dates,
            'p_id': pid,
            'points':points,
            'roll_sum':roll_sum})

如果数据帧的索引和，您可以将其添加为系列roll_sum匹配;这里的索引包括"p_id", "Date"

df["Date"] = df.Date.astype("datetime64")
roll_calc = df.groupby("p_id").rolling('365D', on="Date")["points"].sum()
df = df.set_index(["p_id", "Date"])
df["roll_sum_calc"] = roll_calc

output:

                 points  roll_sum  roll_sum_calc
p_id Date
57   2016-07-29      11        11           11.0
     2016-08-01       9        20           20.0
     2017-01-12       5        25           25.0
     2017-10-23      18        23           23.0
     2018-03-03       0        18           18.0
     2018-03-06       4        22           22.0
     2019-03-16       3         3            3.0
12   1997-04-07      50        50           50.0
     1997-04-09      32        82           82.0
     1998-02-11       3        85           85.0
     1998-05-12       0         3            3.0
     1999-05-22       0         3            0.0
     1999-05-29      15        18           15.0
     2000-07-20       2         2            2.0
     2002-10-27      17        19           17.0