要按客户ID计算3个月平均值和客户的年累计销售额，首先需要有一个包含客户ID和销售额的数据集。假设数据集已经存在，可以按照以下步骤进行计算：

1. 导入所需的库：

import pandas as pd

2. 读取数据集并将其存储在一个DataFrame中：

df = pd.read_csv('sales_data.csv')

这里假设数据集的文件名为'sales_data.csv'，可以根据实际情况进行修改。

3. 将销售日期列转换为日期类型：

df['销售日期'] = pd.to_datetime(df['销售日期'])

这一步是为了后续按日期进行筛选和计算。

4. 添加一列表示销售日期所在的年份：

df['年份'] = df['销售日期'].dt.year

5. 添加一列表示销售日期所在的月份：

df['月份'] = df['销售日期'].dt.month

6. 按客户ID和月份进行分组，并计算每个客户每个月的销售额：

monthly_sales = df.groupby(['客户ID', '年份', '月份'])['销售额'].sum().reset_index()

这样可以得到一个新的DataFrame，包含客户ID、年份、月份和对应的销售额。

7. 进行3个月平均值计算：

monthly_sales['3个月平均值'] = monthly_sales.groupby(['客户ID'])['销售额'].rolling(window=3).mean().reset_index(0, drop=True)

这里使用了rolling函数，以每个客户ID进行滚动计算，窗口大小为3个月。

8. 计算客户的年累计销售额：

yearly_sales = monthly_sales.groupby('客户ID')['销售额'].sum().reset_index()

这样可以得到一个新的DataFrame，包含客户ID和对应的年累计销售额。

完整的代码示例如下：

import pandas as pd

# 读取数据集
df = pd.read_csv('sales_data.csv')

# 将销售日期列转换为日期类型
df['销售日期'] = pd.to_datetime(df['销售日期'])

# 添加年份列
df['年份'] = df['销售日期'].dt.year

# 添加月份列
df['月份'] = df['销售日期'].dt.month

# 按客户ID和月份进行分组，并计算每个客户每个月的销售额
monthly_sales = df.groupby(['客户ID', '年份', '月份'])['销售额'].sum().reset_index()

# 计算3个月平均值
monthly_sales['3个月平均值'] = monthly_sales.groupby(['客户ID'])['销售额'].rolling(window=3).mean().reset_index(0, drop=True)

# 计算客户的年累计销售额
yearly_sales = monthly_sales.groupby('客户ID')['销售额'].sum().reset_index()

# 打印结果
print(monthly_sales)
print(yearly_sales)

请注意，上述代码中的数据集文件名、列名和日期格式等部分可能需要根据实际情况进行修改。