Python 计算组之间的移动平均值以及连续的某些组之间的平滑

很抱歉，如果标题令人困惑，我会尽力解释这个问题。我这里有一个示例数据集：

我想计算沿每个线段编号的高程移动平均值（3个窗口），以其到达的顺序排列，但是，如果线段具有OutSeg值，我希望每个线段末端的移动平均值使用从其参考线段（OutSeg）开始的高程值。例如，在第1段达到5（1,5）时，我希望移动平均值考虑（1,4）、（1,5）和（3,1）处的值

我相信可能需要某种形式的for循环……我尝试了以下代码，但它只计算各组内的移动平均数：

df[“移动”]=df.groupby（“段”）[“高程”].transform（lambda x:x.rolling（3,1）

df[“移动”]=df.groupby（“段”）[“高程”].transform（lambda x:x.rolling（3,1）

---

提前感谢！

我无法想象一种完全矢量化的方式，所以我只会在

段上使用groupby应用一个特定的函数。该函数将从
OutSeg
子数据帧中添加第一行（如果有的话），计算滚动平均值并只返回原始行

代码可以是：

df = df.sort_values(['Segment', 'Reach'])  # ensure correct order

def tx(dg):
    seg = dg['Segment'].iat[0]
    outseg = dg['OutSeg'].iat[0]
    x = pd.concat([dg, df[df['Segment'] == outseg].head(1)])
    y = x['Elevation'].rolling(3, 1, center=True).mean()
    return(y[x['Segment'] == seg])

df['Mean3'] = df.groupby('Segment', as_index=False, group_keys=False).apply(tx)

print(df)

它给出：

    Segment  Reach  OutSeg  Elevation       Mean3
0         1      1       3         50   62.000000
1         1      2       3         74   70.333333
2         1      3       3         87   71.333333
3         1      4       3         53   79.000000
4         1      5       3         97  114.333333
5         2      1       3         16   15.000000
6         2      2       3         14   20.333333
7         2      3       3         31   26.666667
8         2      4       3         35   31.000000
9         2      5       3         27   85.000000
10        3      1       4        193  184.500000
11        3      2       4        176  175.666667
12        3      3       4        158  162.666667
13        3      4       4        154  111.000000
14        4      1       6         21   33.000000
15        4      2       6         45   36.000000
16        4      3       6         42   36.333333
17        4      4       6         22   28.666667
18        4      5       6         22   22.000000
19        5      1       6         10   15.500000
20        5      2       6         21   15.000000
21        5      3       6         14   17.000000
22        5      4       6         16   15.000000

我无法想象一种完全矢量化的方式，因此我将使用一个groupby on
Segment
应用一个特定的函数。该函数将从
OutSeg
子数据帧中添加第一行（如果有的话），计算滚动平均值并仅返回原始行

代码可以是：

df = df.sort_values(['Segment', 'Reach'])  # ensure correct order

def tx(dg):
    seg = dg['Segment'].iat[0]
    outseg = dg['OutSeg'].iat[0]
    x = pd.concat([dg, df[df['Segment'] == outseg].head(1)])
    y = x['Elevation'].rolling(3, 1, center=True).mean()
    return(y[x['Segment'] == seg])

df['Mean3'] = df.groupby('Segment', as_index=False, group_keys=False).apply(tx)

print(df)

它给出：

    Segment  Reach  OutSeg  Elevation       Mean3
0         1      1       3         50   62.000000
1         1      2       3         74   70.333333
2         1      3       3         87   71.333333
3         1      4       3         53   79.000000
4         1      5       3         97  114.333333
5         2      1       3         16   15.000000
6         2      2       3         14   20.333333
7         2      3       3         31   26.666667
8         2      4       3         35   31.000000
9         2      5       3         27   85.000000
10        3      1       4        193  184.500000
11        3      2       4        176  175.666667
12        3      3       4        158  162.666667
13        3      4       4        154  111.000000
14        4      1       6         21   33.000000
15        4      2       6         45   36.000000
16        4      3       6         42   36.333333
17        4      4       6         22   28.666667
18        4      5       6         22   22.000000
19        5      1       6         10   15.500000
20        5      2       6         21   15.000000
21        5      3       6         14   17.000000
22        5      4       6         16   15.000000

如果您在问题本身中以文本形式提供样本数据，我们可以尝试复制…@SergeBallesta添加！感谢tipIf如果您在问题本身中以文本形式提供样本数据，我们可以尝试复制…@SergeBallesta添加！感谢提示