本文介绍如何在 pandas 中为按类别分组的数据计算“滞后累积和”——即每个组内当前行的累积值不包含本行数据，而是截至前一行的累计总和，适用于特征工程中构建时序依赖型特征。
本文介绍如何在 pandas 中为按类别分组的数据计算“滞后累积和”——即每个组内当前行的累积值不包含本行数据，而是截至前一行的累计总和，适用于特征工程中构建时序依赖型特征。
在机器学习建模（尤其是体育赛事预测、用户行为分析等时序场景）中，常需构造“截至上一事件的累计统计量”作为特征。例如：预测某球队主场得分时，应使用其历史主场得分总和（不含当前场次），而非包含当前场次的即时累计值——否则会引入未来信息，导致数据泄露。
Pandas 提供了灵活的分组与窗口操作能力，但直接链式调用 .shift().cumsum() 容易出错（如问题中所示），因为 shift 作用于原始序列，而 cumsum 若在全局或错误层级执行，将破坏分组逻辑。正确做法是：先按组计算累积和，再对结果整体偏移一行。
✅ 正确实现方式
使用 groupby().transform() 配合匿名函数，确保每组独立计算并保持原始索引对齐：
data['cumulative'] = (
data.groupby('home_id')['home_score']
.transform(lambda x: x.cumsum().shift(1))
.fillna(0)
.astype(int)
)
- groupby('home_id')：按球队 ID 分组；
- transform(...)：保证输出与原 DataFrame 等长，且自动对齐；
- lambda x: x.cumsum().shift(1)：对每组 home_score 先累加，再整体下移一行（首行变 NaN）；
- .fillna(0).astype(int)：将首行 NaN 替换为 0，并转为整型，符合业务语义（无历史记录时累计值为 0）。
⚠️ 常见误区与注意事项
- ❌ 错误写法：data.groupby('home_id')['home_score'].shift().cumsum()
→ shift() 在分组后作用于每组首尾，但 cumsum() 会在整个 shift 后的 Series 上全局累加，破坏分组边界。 - ✅ 必须保证 cumsum() 和 shift() 在同一分组内完成：transform 内部的 lambda 函数天然满足此要求。
- ? 时间顺序至关重要：示例数据已按 game_date 排序。若原始数据未排序，请务必先执行 data.sort_values(['home_id', 'game_date'], inplace=True)，否则累积逻辑将失效。
- ? 扩展应用：该模式可推广至任意滞后阶数（如 shift(2) 表示截至前两场）、其他聚合（如 cummean()）、或多字段组合（如 cumsum() + rolling(3).mean()）。
通过这一简洁可靠的模式，你可安全地为任意分组时序特征生成无数据泄露的滞后累积特征，显著提升模型泛化能力与工程健壮性。
