计算组之间的移动平均值，并在某些连续组之间进行平滑处理

Question

如果标题令人困惑，我很抱歉，我会尽力解释这个问题。我在这里有一个示例数据集：示例1

Segment Reach   OutSeg  Elevation
1   1   3   50
1   2   3   74
1   3   3   87
1   4   3   53
1   5   3   97
2   1   3   16
2   2   3   14
2   3   3   31
2   4   3   35
2   5   3   27
3   1   4   193
3   2   4   176
3   3   4   158
3   4   4   154
4   1   6   21
4   2   6   45
4   3   6   42
4   4   6   22
4   5   6   22
5   1   6   10
5   2   6   21
5   3   6   14
5   4   6   16

我想按照Reach的顺序，计算Elevation沿着每个Segment编号的移动平均值(窗口为3(，但是，如果Segment具有OutSeg值，我希望每个Segment末尾的移动平均线使用从其引用Segment(OutSeg(开始的Elevation值。例如，在Segment 1 Reach 5(1,5(处，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for循环。。。我试过下面的代码，但它只计算每组内的移动平均值：

df["moving"]=df.groupby("Segment"(["Elevation"].transform(lambda x:x.rolling(3,1(df["moving"] = df.groupby("Segment")["Elevation"].transform(lambda x: x.rolling(3,1)

提前感谢！

Answer 1

我无法想象一种完全矢量化的方式，所以我只会在Segment上使用groupby来应用特定的函数。该函数将添加OutSeg子数据帧中的第一行(如果有的话(，计算滚动平均值，并且只返回原始行。

代码可能是：

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