本文介绍一种基于 Pandas rolling 与 groupby.transform 的高效方法，用于在分组数据中识别长度 ≥3、C_p 均值 ≥80 的连续序列，并批量标记为 parked（1），避免 O(n³) 暴力循环。
本文介绍一种基于 pandas `rolling` 与 `groupby.transform` 的高效方法，用于在分组数据中识别长度 ≥3、c_p 均值 ≥80 的连续序列，并批量标记为 parked（1），避免 o(n³) 暴力循环。
在船舶轨迹分析等时序场景中，常需从分组数据中识别“稳定高置信状态”的连续片段——例如本例中，要求某 Group 内至少连续 3 条记录的 C_p 平均值 ≥ 80，才判定为停泊（is_parked = 1）。直接使用 Python 循环遍历所有子序列（如三重嵌套循环）时间复杂度高达 O(n³)，面对大规模轨迹数据极易成为性能瓶颈。
Pandas 提供了更优雅且向量化的解决方案：双滚动窗口 + 反向传播逻辑。其核心思想是：
- 按 Group 分组，对每组 C_p 列独立处理；
- 正向滚动计算长度为 N=3 的均值，并判断是否 ≥ threshold（80）；
- 将布尔结果反转，使满足条件的位置“靠后对齐”；
- 再次滚动取最大值（rolling(N).max()），实现向左“回填”覆盖整个长度为 N 的区间；
- 最终转为整数（True→1, False→0）完成标记。
以下是完整可执行代码：
import pandas as pd
# 构造示例数据
df = pd.DataFrame({
'Index': [1, 2, 3, 4, 5, 6, 7, 8, 9],
'Group': [1, 1, 1, 1, 1, 1, 3, 3, 3],
'C_p': [27, 85, 83, 78, 66, 47, 82, 80, 66]
})
N = 3
threshold = 80
df['is_parked'] = (
df.groupby('Group')['C_p']
.transform(lambda s:
s.rolling(N).mean().gt(threshold)[::-1] # 正向滚动均值 → 布尔 → 反转
.rolling(N, min_periods=1).max() # 反转后滚动取 max，实现左向覆盖
.astype(int) # 转为 0/1
)
)
print(df)
输出结果与预期一致：
Index Group C_p is_parked 0 1 1 27 0 1 2 1 85 1 2 3 1 83 1 3 4 1 78 1 4 5 1 66 0 5 6 1 47 0 6 7 3 82 0 7 8 3 80 0 8 9 3 66 0
✅ 关键优势：
- 完全向量化，时间复杂度仅 O(n)，远优于暴力枚举；
- 自动按 Group 隔离计算，无需手动切片或循环分组；
- transform 保证返回与原 DataFrame 等长结果，索引对齐零失误。
⚠️ 注意事项：
- rolling(N) 默认 min_periods=N，首 N−1 行为 NaN，需配合 [::-1] 和后续 min_periods=1 确保反向窗口不丢失起始位置逻辑；
- 若需支持任意长度 ≥3 的连续段（不限于固定长度 3），则需改用滑动窗口+动态规划或 numba 加速，但本方案已覆盖绝大多数工程场景；
- 实际应用中建议先 df.sort_values(['Group', 'Index']) 确保组内顺序正确，避免因索引乱序导致滚动错位。
该方法体现了 Pandas 高阶操作的表达力：以声明式语法替代过程式逻辑，在保持代码简洁的同时兼顾性能与可维护性。
