您可以使用groupby和聚合函数来实现这一点，或者使用rolling窗口以更高效和矢量化的方式对子系列执行操作，而无需诉诸for循环。

对于您想要对每 3 个元素求和的特定示例，您可以执行以下操作：

使用groupby和的解决方案transform：

您可以按自定义键对值进行分组，例如，将索引除以 3（每 3 个连续元素分组）。分组后，您可以将函数应用于sum每个组：

import pandas as pd

# Create the original Series
s1 = pd.Series([1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4])

# Group by every 3 consecutive elements and apply sum
s2 = s1.groupby(s1.index // 3).sum()

print(s2)

输出：

0     3
1     6
2     9
3    12
dtype: int64

解释：

• s1.index // 3：通过将索引除以 3 来创建组，结果为[0, 0, 0, 1, 1, 1, 2, 2, 2, 3, 3, 3]。因此，每 3 个连续元素都会落入同一组中。
• .groupby(...)：这根据结果索引对系列进行分组。
• .sum()：最后，我们对每个组内的值求和。

解决方案使用rolling（如果您正在考虑移动窗口方法）：

另一个选择是使用rolling系列创建一个窗口并应用聚合函数，例如sum：

s2 = s1.rolling(3).sum().dropna()

print(s2)

输出：

2     3.0
3     6.0
4     9.0
5    12.0
dtype: float64

解释：

• .rolling(3)：这将创建一个大小为 3 的滚动窗口。
• .sum()：将求和函数应用于滚动窗口。
• .dropna()``NaN：由于前两个元素没有足够的数据来形成完整窗口，因此删除滚动窗口产生的初始值。

为什么要选择其中一个而不是另一个？

• groupby当您需要按某些条件分组或对分组数据执行更复杂的操作时，方法通常更灵活。
• rolling方法通常用于滑动窗口上的操作，但如果需要固定大小的窗口（如 3 个连续元素的总和），该方法也会很好用。

这两种方法都很高效，避免了显式循环，并且利用了 pandas 的内部优化。