Python 熊猫-日期的移动平均值，每个日期有多个测量值

我有一个带有日期和销售额的数据框。我想计算过去5天的移动平均值，并将其分配给每一天。问题是我每天都有多个测量值（精确到1115——对于单个测量值，我知道如何做到这一点）

我的数据如下所示：

    Date        Sales
0   2013-01-01  0
1   2013-01-01  0
2   2013-01-01  0
3   2013-01-01  0
4   2013-01-01  0
... ... ...
1017204 2015-07-31  9082
1017205 2015-07-31  10708
1017206 2015-07-31  7481
1017207 2015-07-31  10460
1017208 2015-07-31  5263

    Date        Sales       Last5DaysAvg
0   2013-01-01  0   NaN
1   2013-01-01  0   NaN
2   2013-01-01  0   NaN
3   2013-01-01  0   NaN
4   2013-01-01  0   NaN
... ... ...
5576    2013-01-06  (average from 2013-01-01 to 2013-01-06)
5577    2013-01-06  (average from 2013-01-01 to 2013-01-06)
5578    2013-01-06  (average from 2013-01-01 to 2013-01-06)
...
1017204 2015-07-31  9082    (average from 2015-07-26 to 2015-07-31)
1017205 2015-07-31  10708   (average from 2015-07-26 to 2015-07-31)
1017206 2015-07-31  7481    (average from 2015-07-26 to 2015-07-31)
1017207 2015-07-31  10460   (average from 2015-07-26 to 2015-07-31)
1017208 2015-07-31  5263    (average from 2015-07-26 to 2015-07-31)

首先计算过去5天的移动平均值（取过去5天所有1115*5=5575次测量值的平均值），然后将其分配回每个单独测量值（每个测量值应分配此平均值）。我的数据将如下所示：

    Date        Sales
0   2013-01-01  0
1   2013-01-01  0
2   2013-01-01  0
3   2013-01-01  0
4   2013-01-01  0
... ... ...
1017204 2015-07-31  9082
1017205 2015-07-31  10708
1017206 2015-07-31  7481
1017207 2015-07-31  10460
1017208 2015-07-31  5263

    Date        Sales       Last5DaysAvg
0   2013-01-01  0   NaN
1   2013-01-01  0   NaN
2   2013-01-01  0   NaN
3   2013-01-01  0   NaN
4   2013-01-01  0   NaN
... ... ...
5576    2013-01-06  (average from 2013-01-01 to 2013-01-06)
5577    2013-01-06  (average from 2013-01-01 to 2013-01-06)
5578    2013-01-06  (average from 2013-01-01 to 2013-01-06)
...
1017204 2015-07-31  9082    (average from 2015-07-26 to 2015-07-31)
1017205 2015-07-31  10708   (average from 2015-07-26 to 2015-07-31)
1017206 2015-07-31  7481    (average from 2015-07-26 to 2015-07-31)
1017207 2015-07-31  10460   (average from 2015-07-26 to 2015-07-31)
1017208 2015-07-31  5263    (average from 2015-07-26 to 2015-07-31)

我尝试对初学者使用

.count（）

聚合，因为它很容易验证-每行应该返回5575（除了前5575行，我当然会有NAN）：

但我得到：

    Date        Sales
0   2013-01-01  1.0
1   2013-01-01  2.0
2   2013-01-01  3.0
3   2013-01-01  4.0
4   2013-01-01  5.0
... ... ...
1017204 2015-07-31  5571.0
1017205 2015-07-31  5572.0
1017206 2015-07-31  5573.0

所以它看起来每天都是分开的，根本没有计算移动窗口

问题：我如何实现上述结果

数据：（前30000行）

编辑：我设法让它工作起来，但在相当丑陋的方面，我认为有更漂亮、更有效的方法。此外，下面的代码对每天的测量次数进行了硬编码，这是无法保证的

df = df.groupby([pd.Grouper(key="Date", freq="D")]) \
             .sum() \
             .reset_index() \
             .sort_values("Date")
df = df.rolling(5, on="Date").sum()
df["Sales"] = df["Sales"] / (1115 * 5)

---

不清楚为什么每个日期都有多行。我看到两种可能的解释：

• 这两个值中的任何一个都必须在星点处聚合，然后生成一个滚动平均值：

df.groupBy（'Date'）.sum（）.rolling（5.mean（）.reset_index（））

• 或者这些是不同的产品-然后您仍然必须按分组，但您可以计算每个产品的滚动平均值，而不是聚合：

df.groupby（'Product'）['Date'].rolling（5.mean（）.reset_index（））

很抱歉，我不太了解“产品”栏的内容-我没有它（只有索引、日期和销售），我该怎么办？该索引已经是默认索引，因此reset_index（）实际上不起任何作用。编辑后，如果需要进一步澄清，请告诉我-我有1115家店铺，因此每天1115个销售值，所以我只需要1个滚动平均值（它代表数据中的趋势）。因此，我希望避免使用groupby（）计算每天的总和/平均值。相反，我认为更合适的做法是从过去5天的数据中（从所有存储中，因此1115*5个值）直接计算平均值。我不确定通过避免初始聚合是否会获得任何好处-这降低了所有后续操作的复杂性。但是你可以简单地按

1115*5

行滚动，然后为每个日期选择第一个值，即

df.rolling（1115*5）.mean（）.groupby（'date'）.first（）.reset_index（）

你可能是对的，我可能想得太多了。谢谢你的帮助！