Python 在m大小的窗口中查找最小n值的移动平均值

我有如下关于个人股票价值的数据：

UserId Stock Value    Time
1        APL  20  '2019-01-01'
1        MCR  40  '2019-01-01'
1        ADX  60  '2019-01-01'
3        AGL  10  '2019-01-01'
...

我必须按用户分组，对于每个股票x，我必须找到该用户最近20支股票中10支最有价值股票在股票x之前的平均价值。因此，我首先按userId分组，然后遍历每个股票x，执行以下操作：在股票x之前选择用户最近的20只股票，从该窗口进一步选择10只最有价值的股票，取平均值并将其添加到股票x的新列中。在以下情况下，我的数据集将如下所示：

UserId Stock Value    Time    MovingAverage
1        APL  20  '2019-01-01'     20
1        MCR  40  '2019-01-01'     30
1        ADX  60  '2019-01-01'     40
3        AGL  10  '2019-01-01'     10
...

到目前为止，我一直在尝试在Python中使用rolling，如下所示：

df = df.sort_values(['userId','time'], ascending=['true','false']) 
df['roll'] = df.groupby('userId')['Value'].transform(lambda x: x.rolling(20,1).mean())

我不知道如何得到窗口中10个最高值的平均值！我并不反对使用滚动以外的其他技术，这似乎是最流行的方法

---

另一个问题是，一些股票将有少于20股，但我认为使用滚动（20,1）缓解了这个问题。但是，如果少于10只股票，例如8只股票，我只需要得到最后8只股票的平均值。

计算出来。张贴，以防其他人处于类似情况。我定义了自己的函数，然后简单地使用rolling.apply（）。结果是相当直截了当

首先，我定义了执行上述文章中描述的行为的函数

def gm(arr):
    if (arr.size > 10):
        x = np.partition(arr, 9).mean()
    else:
        x = arr.mean()
    return x

然后，rolling.apply（）发挥了它的魔力：

newcol = df.groupby('userId')['value'].rolling(20,1).apply(lambda x: gm(x), raw=True)
df['roll'] = newcol.reset_index(level=0, drop=True)

---

我仍然不确定最后的索引，但结果似乎是我想要的。

我认为这有点接近正确的方向
希望得到任何反馈

newcol=df.groupby（'userId'）['value'].rolling（20,1）.apply（lambda x:np.partition（x，10）.mean（））

df['roll']=newcol.reset_index（level=0，drop=True）