本文介绍如何基于 home_id 和 away_id 两个维度，为同一支队伍（无论作为主场或客场）构建全局、按时间顺序排列的累计得分列，解决传统单列 groupby().cumsum() 无法跨角色聚合的问题。
本文介绍如何基于 `home_id` 和 `away_id` 两个维度，为同一支队伍（无论作为主场或客场）构建全局、按时间顺序排列的累计得分列，解决传统单列 `groupby().cumsum()` 无法跨角色聚合的问题。
在体育数据分析中，一支球队可能在不同场次中分别担任主场（home_id）和客场（away_id），而我们需要统计该队所有出场记录中的总得分（即：当它是 home_id 时累加 home_score，当它是 away_id 时累加 away_score），并按原始数据的时间/行序生成动态运行总计（running total）。这不能通过简单的 groupby('home_id').cumsum() 或 groupby('away_id').cumsum() 单独实现——因为它们彼此隔离，且未对齐到同一逻辑“队伍ID”。
核心思路是：将 home_id 和 away_id 视为同一实体的不同身份，需统一映射到一个“team_id”维度，再按原始行序进行分组累计。但 Pandas 不支持直接对两列做“或关系”的 groupby，因此推荐采用 “长表重构 + 累计计算 + 宽表回填” 的稳健方案：
✅ 推荐方案：熔解 → 统一标识 → 排序累计 → 合并回原表
import pandas as pd
import numpy as np
# 假设 game_data 已加载
# 步骤1：创建长格式视图 —— 每行代表一个“队伍-得分”事件
home_events = game_data[['game_id', 'home_id', 'home_score']].rename(
columns={'home_id': 'team_id', 'home_score': 'score'}
).assign(role='home')
away_events = game_data[['game_id', 'away_id', 'away_score']].rename(
columns={'away_id': 'team_id', 'away_score': 'score'}
).assign(role='away')
# 合并并按原始 game_id 排序（确保时间顺序）
all_events = pd.concat([home_events, away_events], ignore_index=True).sort_values('game_id')
# 步骤2：对每个 team_id 计算累计得分（保留原始出现顺序）
all_events['team_running_total'] = all_events.groupby('team_id')['score'].cumsum()
# 步骤3：将累计值映射回原表 —— 分别提取 home 和 away 对应的累计值
game_data = game_data.merge(
all_events[all_events['role'] == 'home'][['game_id', 'team_id', 'team_running_total']],
left_on=['game_id', 'home_id'],
right_on=['game_id', 'team_id'],
how='left'
).rename(columns={'team_running_total': 'home_total_score'})
game_data = game_data.merge(
all_events[all_events['role'] == 'away'][['game_id', 'team_id', 'team_running_total']],
left_on=['game_id', 'away_id'],
right_on=['game_id', 'team_id'],
how='left'
).rename(columns={'team_running_total': 'away_total_score'})⚠️ 注意事项与优化建议
- 时间顺序至关重要：sort_values('game_id') 必须在熔解后执行，否则 cumsum() 将按拼接顺序而非真实比赛时序计算，导致结果错误；
- 避免 apply(..., include_groups=True) 的陷阱：原答案中使用 groupby(...).apply(..., include_groups=True) 会破坏索引对齐，且 include_groups=False 并不能安全保留原始列结构，易引发 KeyError 或重复索引问题，不推荐用于生产环境；
- 性能提示：若数据量极大（>100万行），可改用 pd.concat 后 set_index(['team_id', 'game_id']).sort_index() 加 groupby(level=0).cumsum() 提升效率；
- 空值处理：合并后检查 home_total_score/away_total_score 是否存在 NaN，确认 game_id 和 ID 列无类型不一致（如 str vs int）。
✅ 验证示例（取前3行）
| game_id | away_id | home_id | away_score | home_score | home_total_score | away_total_score |
|---|---|---|---|---|---|---|
| 446877 | 138 | 134 | 1 | 4 | 4 | 1 |
| 446911 | 141 | 139 | 5 | 3 | 3 | 5 |
| 446873 | 121 | 118 | 3 | 4 | 4 | 3 |
✅ 若后续某场比赛中 home_id == 138（即原 away_id=138 的队伍转为主场），其 home_total_score 将自动叠加此前作为客场的得分，真正实现“一支队伍、全局累计”。
此方法逻辑清晰、可复现性强，适用于任何需跨多角色（如 player_id 在不同 position 出场、supplier_id 在 buy/sell 场景）进行统一运行统计的场景。
