Python 带groupby和条件的Pandas滚动求和

我有一个数据框架，其中包含不同商品的销售时间序列以及客户分析。对于我要计算的每个项目和给定的一天：

• 在过去两天的总销售额中分享我的最佳客户
• 在过去两天的总销售额中，我的主要客户（从列表中）所占份额

我尝试过这里提供的解决方案：

• 滚动总和：
• 对于条件groupby：

示例数据帧可通过以下方式生成：

将熊猫作为pd导入
从日期时间导入时间增量
df_1=pd.DataFrame（）
df_2=pd.DataFrame（）
df_3=pd.DataFrame（）
#创建日期时间和数据
df_1['item']=[1,1,1,2,2,2]
df_1['date']=pd.date_范围（'2018年1月1日'，期间=7，频率=D'）
df_1['customer']=['a'，'b'，'c'，'a'，'b'，'b'，'c']
df_1['sales']=[2,4,1,5,7,2,3]
df_2['item']=[1,1,1,2,2,2]
df_2['date']=pd.date_范围（'2018年1月1日'，期间=7，频率=D'）
df_2['customer']=['b'，'b'，'c'，'a'，'a'，'c'，'a']
df_2['sales']=[2,3,4,2,3,5,6]
df_3['item']=[1,1,1,2,2,2]
df_3['date']=pd.date_范围（'2018年1月1日'，期间=7，频率=D'）
df_3['customer']=['b'，'c'，'a'，'c'，'b'，'a'，'b']
df_3['sales']=[6,5,2,3,4,5,6]
df=pd.concat（[df_1，df_2，df_3]）
df=df.sort_值（['item'，'date']）
df.reset_索引（drop=True）

看起来是这样的：

项目 日期 顾客 出售 1. 2018-01-01 A. 2. 1. 2018-01-01 B 2. 1. 2018-01-01 B 6. 1. 2018-01-02 B 4. 1. 2018-01-02 B 3. 1. 2018-01-02 C 5. 1. 2018-01-03 C 1. 1. 2018-01-03 C 4. 1. 2018-01-03 A. 2. 2. 2018-01-04 A. 5. 2. 2018-01-04 A. 2. 2. 2018-01-04 C 3. 2. 2018-01-05 B 7. 2. 2018-01-05 A. 3. 2. 2018-01-05 B 4. 2. 2018-01-06 B 2. 2. 2018-01-06 C 5. 2. 2018-01-06 A. 5. 2. 2018-01-07 C 3. 2. 2018-01-07 A. 6. 2. 2018-01-07 B 6. 使用：

如果要将

滚动

与天数一起使用，则更为复杂：

df1 = df.groupby(['item','date'], as_index=False)['sales'].sum()
sales1 = (df1.set_index('date')
             .groupby('item')['sales']
             .rolling('2D', min_periods=1)
             .sum()
             .groupby('item')
             .shift()
             .rename('sales_last_2_days')
         )
df1 = df1.join(sales1, on=['item','date'])

---

---

---

df1 = df.groupby(['item','date'], as_index=False)['sales'].sum()
sales1 = (df1.set_index('date')
             .groupby('item')['sales']
             .rolling('2D', min_periods=1)
             .sum()
             .groupby('item')
             .shift()
             .rename('sales_last_2_days')
         )
df1 = df1.join(sales1, on=['item','date'])

df2 = df[df['customer'].eq('a')].groupby(['item','date'], as_index=False)['sales'].sum()
a = (df2.set_index('date')
        .groupby('item')[['sales']]
        .apply(lambda x: x.asfreq('D'))
        .reset_index(level=0)
        .groupby('item')['sales']
        .rolling('2D', min_periods=1)
        .sum()
        .groupby('item')
        .shift()
        .rename('a_share')
         )
print (a)
df1 = df1.join(a, on=['item','date'])
df1['a_share'] /= df1['sales_last_2_days']

top_cust = ['a', 'c'] 

df3 = df[df['customer'].isin(top_cust)].groupby(['item','date'], as_index=False)['sales'].sum()
b = (df3.set_index('date')
        .groupby('item')[['sales']]
        .apply(lambda x: x.asfreq('D'))
        .reset_index(level=0)
        .groupby('item')['sales']
        .rolling('2D', min_periods=1)
        .sum()
        .groupby('item')
        .shift()
        .rename('top_share')
         )
df1 = df1.join(b, on=['item','date'])
df1['top_share'] /= df1['sales_last_2_days']

print (df1)
   item       date  sales  sales_last_2_days   a_share  top_share
0     1 2018-01-01     10                NaN       NaN        NaN
1     1 2018-01-02     12               10.0  0.200000   0.200000
2     1 2018-01-03      7               22.0  0.090909   0.318182
3     2 2018-01-04     10                NaN       NaN        NaN
4     2 2018-01-05     14               10.0  0.700000   1.000000
5     2 2018-01-06     12               24.0  0.416667   0.541667
6     2 2018-01-07     15               26.0  0.307692   0.500000