Python 如何基于多列条件跳过pandas中lambda shift滚动函数中的单元格

我有以下数据框，它是一个不同时间的列表：

Name      Time     Excuse     Injured       Margin
John       15       nan           0            1
John       18       nan           0            5
John       30       leg injury    1            11
John       16       nan           0            4
John       40       nan           0            18
John       15       nan           0            3
John       22       nan           0            6 

然后，我使用一个函数来获得前5次移位的平均值：

df['last5'] = df.groupby(['Name']).Time.apply(
    lambda x: x.shift().rolling(5, min_periods=1).mean().fillna(.5))

这是可行的，但我希望执行相同的计算，但如果存在

借口

，

受伤=1

或

边距>10

，我希望忽略

时间

我的预期产出是：

Name      Time       Excuse     Injured     Margin     last5
John       15                     0            1         .5
John       18                     0            5         15
John       30       leg injury    1            11        16.5
John       16                     0            4         16.5
John       40                     0            18        16.33
John       15                     0            3         16.33
John       22                     0            6         16

我可以在原始函数的末尾添加一个条件吗？提前谢谢

在应用

rolling

计算之前，可以根据条件过滤数据帧

根据需要，使用

bfill（）

向后填充

NaN

值：

---

---

df['last5']=（df[（df['preference'].isnull（））&（df['Injured']！=1）&（df['Margin']谢谢David，这看起来很棒。我认为我唯一的问题是
bfill（）
函数。我有一个不同名字的列表，所以有没有办法按名字来排序
bfill
吗？这会像
df['last5']=df['last5'].groupby吗(['Name'].bfill（）
？或者更确切地说是
df['last5']=df.groupby（['Name']）['last5'].bfill（）
@SOK是的，很好。你应该使用
df['last5']=df.groupby（['Name']）['last5'].bfill（）
。我已经更新了我的答案。
df['last5'] = (df[(df['Excuse'].isnull()) & (df['Injured'] != 1) & (df['Margin'] <= 10)]
               .groupby(['Name']).Time.apply(lambda x: x.shift().rolling(5, min_periods=1)
                                             .mean().fillna(.5)))
df['last5'] = df.groupby(['Name'])['last5'].bfill()
df
Out[1]: 
   Name  Time      Excuse  Injured  Margin      last5
0  John    15         NaN        0       1   0.500000
1  John    18         NaN        0       5  15.000000
2  John    30  leg injury        1      11  16.500000
3  John    16         NaN        0       4  16.500000
4  John    40         NaN        0      18  16.333333
5  John    15         NaN        0       3  16.333333
6  John    22         NaN        0       6  16.000000