Question

我正在研究年度化的棒球统计数据，并希望计算一个滚动平均值，回顾过去3年内有关命中数量的表现。但是，我想说明这样一个事实，即当我的数据集回溯超过3年时，一个单一的玩家可能只在联盟中待了1 - 2年，并且不会有3年的观察值，我可以计算滚动平均值。例如：

In[6]: df = pd.DataFrame({'PLAYER_ID': ['A', 'A', 'A', 'B', 'B'], 
                          'HITS': [45, 55, 50, 20, 24]})
In[9]: df
Out[9]: 
  PLAYER_ID  HITS
0         A    45
1         A    55
2         A    50
3         B    20
4         B    24

我如何使用groupby和聚合/转换（或其他一些过程）来计算每个玩家的滚动均值，最大3年历史总数然后只使用最大可用历史观察对于有不到3年历史性能数据的玩家？

非常确定我的答案在于Pandas软件包，但对任何解决方案都感兴趣。

谢谢！

Answer 1

pd.DataFrame.rolling会自动为您处理此问题。使用您的示例数据，df.groupby('PLAYER_ID').rolling(1).mean()将为您提供：

             HITS PLAYER_ID
PLAYER_ID
A         0  45.0         A
          1  55.0         A
          2  50.0         A
B         3  20.0         B
          4  24.0         B

对于您的示例案例，我使用的窗口大小仅为1，这意味着我们将每个单独的观察视为自己的意思。这不是特别有趣。使用更多数据，您可以使用更大的窗口大小：例如，如果您的数据是每周一次，rolling(5)会为您提供大约每月的窗口大小（如果您的数据是每天，则为rolling(31)，依此类推）

使用此方法时需要注意两个问题：

如果您的数据未定期抽样（例如，如果您的数据一次只跳过一周或一个月），则您的滚动平均值不会及时调整。因此，如果您的数据尚未定期采样，则通常需要对其进行重新取样。
如果您的数据包含NaN值，则会传播这些值：包含NaN的每个窗口也将为NaN。你必须impute those values以某种方式阻止它发生。

如何使用Pandas滚动平均值而没有保证的观测数量

1 个答案: