pandas.groupby 对象上尊重时间的移动平均值

给定一个以下格式的 pandas 数据框：

toy = pd.DataFrame({
'id': [1,2,3,
       1,2,3,
       1,2,3],
'date': ['2015-05-13', '2015-05-13', '2015-05-13', 
         '2016-02-12', '2016-02-12', '2016-02-12', 
         '2018-07-23', '2018-07-23', '2018-07-23'],
'my_metric': [395, 634, 165, 
              144, 305, 293, 
              23, 395, 242]
})
# Make sure 'date' has datetime format
toy.date = pd.to_datetime(toy.date)

The my_metric列包含一些（随机）指标，我希望计算一个与时间相关的移动平均值，以该列为条件id并在我自己指定的某个指定时间间隔内。我将把这个时间间隔称为“回溯时间”；可能需要 5 分钟 或2年。为了确定回溯计算中要包含哪些观测值，我们使用date列（如果您愿意，可以是索引）。

令我沮丧的是，我发现使用 pandas 内置函数不容易执行这样的过程，因为我需要有条件地执行计算 在id同时，计算只能对回溯时间内的观察进行（使用date柱子）。因此，输出数据帧应该由每一行组成id-date组合，与my_metric现在，该列是回溯时间内（例如 2 年，包括今天的日期）内包含的所有观察值的平均值。

为了清楚起见，我在使用 2 年回溯时间时包含了具有所需输出格式的图形（对过大的图形表示歉意）：

我有一个解决方案，但它没有使用特定的 pandas 内置函数，并且可能不是最优的（列表理解和单个 for 循环的组合）。我正在寻找的解决方案不会使用 for 循环，因此更具可扩展性/高效/快速。

谢谢你！

计算回溯时间：（Current_year - 2 年）

from dateutil.relativedelta import relativedelta
from dateutil import parser
import datetime

In [1691]: dt = '2018-01-01'

In [1695]: dt = parser.parse(dt)

In [1696]: lookback_time = dt - relativedelta(years=2)

现在，根据回溯时间过滤数据帧并计算滚动平均值

In [1722]: toy['new_metric'] = ((toy.my_metric + toy[toy.date > lookback_time].groupby('id')['my_metric'].shift(1))/2).fillna(toy.my_metric)

In [1674]: toy.sort_values('id')
Out[1674]: 
        date  id  my_metric  new_metric
0 2015-05-13   1        395       395.0
3 2016-02-12   1        144       144.0
6 2018-07-23   1         23        83.5
1 2015-05-13   2        634       634.0
4 2016-02-12   2        305       305.0
7 2018-07-23   2        395       350.0
2 2015-05-13   3        165       165.0
5 2016-02-12   3        293       293.0
8 2018-07-23   3        242       267.5