所以，我有一个这样的数据框：
A,B,C,D
foo,something,2019-01-04 09:56:01,True
bar,something,2019-01-05 8:15:09,True
bar,something,2019-01-05 10:15:10,False
bar,something,2019-01-07 10:15:10,False
baz,something,2019-02-07 10:15:38,True
bar,somethingelse,2019-02-09 11:42:16,False
foo,something,2019-05-04 11:44:56,True
foobar,something,2019-07-15 13:23:09,True
foo,something,2019-08-04 11:44:56,False
foobar,something,2019-08-05 13:23:09,False
foobarbaz,something,2019-08-05 13:23:10,True
我想计算2个新列：
首先，在“ B”的值与所考虑的行（包括所考虑的行）的值相同的滚动时间窗口（假设2天）内，“ A”的先前不同值的数量计数）。
第二，在同一滚动时间窗内，“ A”的先前不同值的数量，其中“ B”的值与当前行的值相同，而“ D”的值为“ True”。
所需的输出将是：
A,B,C,D,F,G
foo,something,2019-01-04 09:56:01,True,1,1
bar,something,2019-01-05 8:15:09,True,2,2
bar,something,2019-01-05 10:15:10,False,2,2
bar,something,2019-01-07 10:15:10,False,1,1,0
baz,something,2019-02-07 10:15:38,True,1,1
bar,somethingelse,2019-02-09 11:42:16,False,1,0
foo,something,2019-05-04 11:44:56,True,1,1,1
foobar,something,2019-07-15 13:23:09,True,1,1
foo,something,2019-08-04 11:44:56,False,1,0
foobar,something,2019-08-05 13:23:09,False,2,0
foobarbaz,something,2019-08-05 13:23:10,True,3,1
对于第一部分（计算列F），我的答案是：
df["F"] = pd.factorize(df["A"])[0]
result = df.groupby("B").rolling("2D", on="C").F.apply(lambda x: len(np.unique(x)))
然后我可以重新合并到B和C列的df中（C中的日期时间都是不同的）。它给出了预期的结果。
但是对于G列，我找不到解决方案。在应用与上述相同的两行之前对df（df.loc [df.D]）进行过滤不是正确的解决方案，因为“ D”为“ False”的行仍可以具有其为“ True”的先前行”。 因此，通过该方法（合并后）获得的输出为：
A,B,C,D,F,G
foo,something,2019-01-04 09:56:01,True,1,1
bar,something,2019-01-05 8:15:09,True,2,2
bar,something,2019-01-05 10:15:10,False,2,NaN
bar,something,2019-01-07 10:15:10,False,1,1,NaN
baz,something,2019-02-07 10:15:38,True,1,1
bar,somethingelse,2019-02-09 11:42:16,False,1,NaN
foo,something,2019-05-04 11:44:56,True,1,1
foobar,something,2019-07-15 13:23:09,True,1,1
foo,something,2019-08-04 11:44:56,False,1,NaN
foobar,something,2019-08-05 13:23:09,False,2,NaN
foobarbaz,something,2019-08-05 13:23:10,True,3,1
非NaN值是正确的，但是我不能只将这些NaN（与所需的输出进行比较）fillna（），所以这种方法似乎有缺陷。
感谢您的帮助。