有条件的滚动平均值（面试题）

Question

我在面试时遇到了这个问题，想不出解决办法。这就是问题所在，假设您有一个如下的数据集（它超出了时间 2，但这只是一个可以使用的示例）：

import pandas as pd

data = pd.DataFrame({
    'time': [1, 1, 1, 2, 2, 2],
    'names': ["Andy", "Bob", "Karen", "Andy", "Matt", "Sim"],
    'val': [1, 2, 3, 5, 6, 8]
})

编写一个函数来计算每个时间点之前的值的平均值，但不计算重复的名称。也就是说，对于时间 1，平均值为 (1+2+3)/3，对于时间 2，我不包括 Andy 的第一个值“1”，我只包括最近的值，因此时间 2 的平均值为 (2 +3+5+6+8)/5.

我尝试创建两个字典，一个存储“时间”计数，另一个跟踪“名称”和“值”，但我不知道如何从那里继续或如何提出有效的解决方案，所以我不会在每一步重新计算平均值（这是面试的另一个要求）。

它不一定是 pandas 解决方案，数据形式可以是您喜欢的任何形式。我只是将它作为 pandas df 呈现。

Answer 1

IIUC，您想要计算截至当前时间的值的

mean

，同时仅考虑最后看到的重复项（如果有）。如果是这样，这是一个潜在的选择，在 for 循环 中使用 boolean indexing 来构建扩展窗口：

# uncomment if necessary
# data.sort_values("time", inplace=True)

to_keep = "last" # duplicate

means = {}
for t in data["time"].unique():
    window = data.loc[data["time"].le(t)]
    m = ~window["names"].duplicated(to_keep)
    means[t] = window.loc[m, "val"].mean()

输出（

means

）：

{ # time|mean
    1: 2.0, #  (1+2+3)/3
    2: 4.8, #  (2+3+5+6+8)/5
}