Pandas rolling()函数解析

Pandas 的 rolling() 函数用于在数据框或系列上创建一个滚动窗口（滑动窗口），这对于计算移动平均、移动总和等统计量非常有用。rolling() 函数通过在指定的窗口大小上应用某种聚合函数来实现这些操作。

基本用法

rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, method='single')

• window: 窗口大小，必需参数，指定计算时的窗口长度。
• min_periods: 窗口内所需的非NA值的最小数量，默认为窗口大小。
• center: 布尔值，是否设置窗口居中。
• win_type: 窗口类型（如三角形、汉宁等），默认无。
• on: 指定用于窗口的列（仅适用于DataFrame）。
• axis: 指定滚动窗口应用的轴，默认0（行）。
• method: 计算方法，默认为'single'。

示例

假设我们有一个数据框 df，其中包含一列数据：

import pandas as pd

# 创建示例数据
data = {'Value': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]}
df = pd.DataFrame(data)

# 计算滚动窗口的平均值
df['Rolling_Mean'] = df['Value'].rolling(window=3).mean()

print(df)

结果

   Value  Rolling_Mean
0      1           NaN
1      2           NaN
2      3           2.0
3      4           3.0
4      5           4.0
5      6           5.0
6      7           6.0
7      8           7.0
8      9           8.0
9     10           9.0

解释

1. 窗口大小为3：这意味着计算每个位置的平均值时，会考虑当前元素及其前两个元素。
2. 前两个结果为NaN：因为在计算第一个和第二个元素的滚动平均时，窗口内的元素不足3个。
3. 从第三个元素开始：(1+2+3)/3 = 2.0，(2+3+4)/3 = 3.0，依此类推。

其他常用聚合函数

• sum(): 计算窗口内的总和。
• max(): 计算窗口内的最大值。
• min(): 计算窗口内的最小值。
• std(): 计算窗口内的标准差。
• var(): 计算窗口内的方差。

通过使用不同的聚合函数，rolling() 可以用于各种类型的移动统计计算。