本文介绍一种高效算法，用于在时间序列数据中动态计算滚动均值，要求同一姓名仅保留最新记录（去重），避免重复计算，适用于面试高频题与实际数据分析场景。
本文介绍一种高效算法，用于在时间序列数据中动态计算滚动均值，要求同一姓名仅保留最新记录（去重），避免重复计算，适用于面试高频题与实际数据分析场景。
在数据分析与算法面试中，常遇到一类“带条件的滚动统计”问题：需按时间维度累积计算统计量（如均值），但不能简单叠加所有历史数据，而要对关键维度（如用户ID、姓名）做去重处理——仅保留每个实体在当前时间窗口内的最新观测值。本例即典型代表：给定按 time 排序的记录，对每个时间点 t，需计算所有 time ≤ t 的记录中，每个 name 仅取其最后一次出现的 val，再求这些值的算术平均。
该问题的关键挑战在于避免暴力重算：若对每个时间点都重新扫描全部历史数据并去重求均值，时间复杂度为 O(n²)，在大数据量下不可接受。理想解法应具备增量更新能力——利用前一时刻结果，仅处理新增时间点引入的变化。
以下提供一个清晰、高效且易于理解的 Pandas 实现方案（兼顾可读性与性能）：
import pandas as pd
def rolling_mean_unique_name(df, time_col='time', name_col='names', val_col='val', keep='last'):
"""
计算按时间滚动的去重姓名均值（每姓名仅取当前窗口内最新值）
Parameters:
-----------
df : pd.DataFrame
输入数据框，必须包含 time_col, name_col, val_col 列
time_col : str
时间列名（用于定义滚动窗口边界）
name_col : str
实体标识列名（如姓名、用户ID），需去重
val_col : str
数值列名（用于计算均值）
keep : str, {'first', 'last'}
去重时保留策略，默认保留最新（'last'）
Returns:
--------
dict : {time_point: mean_value}，按时间升序排列的滚动均值字典
"""
# 确保按时间排序（必要前提）
df = df.sort_values(time_col).reset_index(drop=True)
# 初始化存储结构
means = {}
# 维护一个动态字典：name -> 最新 val（随时间窗口扩展而更新）
latest_vals = {}
# 按时间点顺序遍历（天然有序滚动）
for t in df[time_col].unique():
# 获取截至时间 t 的所有记录
window_df = df[df[time_col] <= t]
# 更新 latest_vals：对 window_df 中每个 name，用其最后出现的 val 覆盖
# 注意：因 window_df 已按 time 排序，groupby(...).last() 即取最新
latest_update = window_df.groupby(name_col)[val_col].last()
latest_vals.update(latest_update.to_dict())
# 当前有效值列表（所有已知 name 的最新 val）
current_values = list(latest_vals.values())
# 计算均值（空情况防错）
means[t] = sum(current_values) / len(current_values) if current_values else 0.0
return means
# 示例数据
data = pd.DataFrame({
'time': [1, 1, 1, 2, 2, 2],
'names': ["Andy", "Bob", "Karen", "Andy", "Matt", "Sim"],
'val': [1, 2, 3, 5, 6, 8]
})
result = rolling_mean_unique_name(data)
print(result)
# 输出: {1: 2.0, 2: 4.8}✅ 算法优势说明：
- 时间复杂度优化：单次遍历时间点 + 分组聚合，整体接近 O(n)，远优于嵌套循环的 O(n²)；
- 空间友好：仅维护 latest_vals 字典（大小为不重复姓名数），不缓存中间 DataFrame；
- 逻辑清晰：latest_vals 显式表达“每个姓名当前最新值”的状态，符合人类直觉；
- 可扩展性强：只需修改 keep 参数即可切换去重策略（如首次出现 first），或轻松适配中位数、加权和等其他统计量。
⚠️ 注意事项：
- 输入数据必须按 time 严格升序排列，否则 groupby(...).last() 无法保证取到真正“最新”值；建议始终调用 sort_values(time_col) 预处理；
- 若存在同一 time 内多个同名记录，groupby(...).last() 会取该时间点内行序最后者——因此确保同 time 下的多条同名记录已按业务逻辑（如事件戳）二次排序；
- 对于超大规模流式数据，可进一步将 latest_vals 替换为 LRU Cache 或结合数据库物化视图实现近实时更新。
总结而言，解决此类“条件滚动统计”问题的核心思维是：将滚动过程建模为状态机——定义清晰的状态（如 latest_vals）、明确状态转移规则（新增时间点时如何更新）、并基于状态直接导出结果。这不仅适用于均值，也广泛适用于滚动去重计数、最新值提取、变化率追踪等工业级分析任务。
