注意：我已經(jīng)知道這個(gè)問(wèn)題的答案，我發(fā)布它只是因?yàn)槲以诙褩Ｒ绯錾险也坏秸_的答案，我花了驚人的時(shí)間來(lái)弄清楚它。話(huà)雖如此，請(qǐng)隨時(shí)建議其他選項(xiàng)。問(wèn)題我有一個(gè)帶有三列的pandas DataFrame，一個(gè)跟蹤日期，一個(gè)跟蹤相關(guān)觀察結(jié)果（即我的分組列），第三個(gè)變量存儲(chǔ)一些數(shù)值。對(duì)于我的數(shù)據(jù)幀中的每個(gè)組，我想計(jì)算日期列上的滾動(dòng)總和。警告：數(shù)據(jù)幀中缺少一些日期，我想將它們視為值為0的觀測(cè)值。我不想使用交叉聯(lián)接來(lái)添加所有日期?？芍噩F(xiàn)示例讓我們有一個(gè)這樣的數(shù)據(jù)幀：df = pd.DataFrame({'id_col' : np.array([1,1,1,1,1,1,2,2,2,2,2,3,3,3]),                  'value_col' : np.random.randint(0,5,size=14),                  'dates' : pd.to_datetime(np.array([                  '2018-01-01',                  '2018-02-01',                  '2018-03-01',                  '2018-05-01',                  '2018-06-01',                  '2018-09-01',                  '2018-01-01',                  '2018-02-01',                  '2018-05-01',                  '2018-06-01',                  '2018-07-01',                  '2018-01-01',                  '2018-02-01',                  '2018-03-01'])                  )}                 )數(shù)據(jù)如下所示：    id_col  value_col   dates0   1   0   2018-01-011   1   1   2018-02-012   1   4   2018-03-013   1   0   2018-05-014   1   3   2018-06-015   1   3   2018-09-016   2   4   2018-01-017   2   3   2018-02-018   2   2   2018-05-019   2   0   2018-06-0110  2   2   2018-07-0111  3   4   2018-01-0112  3   2   2018-02-0113  3   3   2018-03-01我嘗試過(guò)的方法不起作用：選項(xiàng) 1：完全忽略缺失的日期df.groupby(['id_col']).rolling(2)['value_col'].sum().reset_index()選項(xiàng) 2：基于 pandas 滾動(dòng)文檔，使用 pandas 偏移參數(shù)替換窗口寬度（返回）。如果將日期列用作數(shù)據(jù)幀的索引，則此方法將起作用。不幸的是，我們不能在這里使用簡(jiǎn)單的索引，因?yàn)閬?lái)自id_col的2個(gè)不同的ID可以包含相同的日期。（我們可以創(chuàng)建 MultiIndex，但隨后得到相同的值錯(cuò)誤）。ValueError: window must be an integerdf.groupby(['id_col']).rolling('60d')['value_col'].sum().reset_index()什么有效，但不是很簡(jiǎn)單：選項(xiàng) 1：交叉聯(lián)接以填寫(xiě)所有缺失的日期（如果數(shù)據(jù)量很大，可能很難）選項(xiàng) 2：從可迭代對(duì)象的笛卡爾積構(gòu)建多索引，如這個(gè)答案所示。這實(shí)際上與上述選項(xiàng)非常相似。