如何为分组数据计算带偏移的累积和（当前行不包含自身值的累计和）

本文介绍在 pandas 中为按组（如球队 id）计算“滞后型”累积和的方法——即每个组内，当前行的累积值等于该组此前所有行（不含当前行）的和，常用于机器学习特征工程中的时序状态建模。

本文介绍在 pandas 中为按组（如球队 id）计算“滞后型”累积和的方法——即每个组内，当前行的累积值等于该组此前所有行（不含当前行）的和，常用于机器学习特征工程中的时序状态建模。

在构建体育赛事预测模型（如球队得分预测）时，一个关键特征是：某队在当前主场比赛前的历史主场总得分。这要求我们对 home_score 按 home_id 分组后，计算不包含当前行的累积和（即“向前偏移一位”的累积和），而非标准的 cumsum()（含自身）。直接使用 groupby(...).cumsum() 会将当前得分计入结果，而我们需要的是“截至上一场的累计值”。

正确实现方式是：在分组内先计算累积和，再整体下移一行（shift(1)），最后填充首行为 0 并转为整型。推荐代码如下：

data['cumulative'] = (data.groupby('home_id')['home_score']                      .transform(lambda x: x.cumsum().shift(1))                      .fillna(0)                      .astype(int))

✅ 关键点解析：

• groupby('home_id') 确保按球队独立计算；
• transform(...) 保持原始索引对齐，避免 apply 可能引发的索引错位；
• x.cumsum().shift(1) 先累加再下移：[3,7,6] → [3,10,16] → [NaN,3,10]，完美匹配目标（第 1 行为 0，第 2 行为 3，第 3 行为 10）；
• fillna(0) 将每组首行的 NaN 替换为 0（因无历史数据）；
• astype(int) 消除浮点型 0.0，保证列类型整洁。

⚠️ 常见错误警示：
不要嵌套 shift() 和 cumsum() 的顺序（如 shift().cumsum()），这会导致跨组污染或逻辑错乱；也不建议用 groupby(...).shift().cumsum()，它先整体偏移再累加，破坏了分组边界。

? 进阶提示：若数据未按时间排序，务必在计算前执行 data.sort_values(['home_id', 'game_date'], inplace=True)，确保累积逻辑基于真实比赛时序。此步骤虽未显式出现在示例中，但在实际建模中不可或缺。