pandas rolling方法_Python pandas.DataFrame.rolling函数方法的使用

清疚 2023-01-10 05:23 295阅读 0赞

DataFrame.rolling(window, min\_periods=None, center=False, win\_type=None, on=None, axis=0, closed=None)\[source\]

提供滚动窗口计算。

参数：window：int, offset, 或 BaseIndexer subclass

移动窗口的大小。这是用于计算统计量的观测数。

每个窗口的大小都是固定的。

如果它是一个偏移量，

那么这将是每个窗口的时间段。

每个窗口的大小将根据时间段内的观察结果而变化。

这只对类似日期时间的索引有效。

如果传递了BaseIndexer子类，

则根据定义的get\_window\_bounds方法计算窗口边界。

其他rolling关键字参数，即min\_period、

center和closed将被传递给get\_window\_bounds。

min\_periods ：int, 默认None

窗口中需要有一个值的最小观察次数(否则结果为NA)。

对于由偏移量指定的窗口，min\_period默认为1。

否则，min\_period将默认为窗口的大小。

center ：bool, 默认为 False

在窗口的中心设置标签。

win\_type ：str, 默认为 None

提供一个窗口类型。如果为None，

所有的点都是均匀加权。

请参阅下面的注释以获得更多信息。

on ：str, 可选

对于DataFrame，

是类似于datetime的列或用于计算rolling窗口的多索引级别，

而不是DataFrame的索引。

提供的整数列将被忽略并从结果中排除，

因为不使用整数索引计算滚动窗口。

axis：int 或 str, 默认为 0

closed ：str, 默认为 None

使区间在 ‘right’, ‘left’ ,‘both’

或 ‘neither'端点上关闭。

对于基于偏移的窗口，默认为“right”。

对于固定的窗口，默认为'both'。

其余的情况没有实现固定窗口。

返回值：DataFrame

针对特定操作的窗口或rolling子类

Notes

默认情况下，结果设置为窗口的右边缘。可以通过设置将其更改为窗口的中心center=True。

要了解有关偏移和频率字符串的更多信息，请参见此链接。

公认的win\_types是：

boxcar

triang

blackman

hamming

bartlett

parzen

bohman

blackmanharris

nuttall

barthann

kaiser(需要的参数：Beta)

gaussian(需要的参数：std)

general\_gaussian(需要的参数：功率，宽度)

slepian(需要的参数：宽度)

exponential(需要参数：tau)，中心设置为“None”。

如果win\_type=None所有点均被加权。要了解有关不同窗口类型的更多信息，请参见scipy.signal窗口函数。

某些窗口类型需要传递其他参数。请参阅下面的第三个示例，了解如何添加其他参数。

例子>>> df = pd.DataFrame(\{'B': \[0, 1, 2, np.nan, 4\]\})

>>> df

0 0.0

1 1.0

2 2.0

3 NaN

4 4.0

使用'triang'窗口类型的窗口长度为2的滚动总和>>> df.rolling(2, win\_type='triang').sum()

0 NaN

1 0.5

2 1.5

3 NaN

4 NaN

窗口长度为2的滚动总和，使用“高斯”窗口类型(请注意我们需要如何指定std)>>> df.rolling(2, win\_type='gaussian').sum(std=3)

0 NaN

1 0.986207

2 2.958621

3 NaN

4 NaN

窗口长度为2的滚动总和，min\_periods默认为窗口长度>>> df.rolling(2).sum()

0 NaN

1 1.0

2 3.0

3 NaN

4 NaN

与上述相同，但显式设置min\_periods>>> df.rolling(2, min\_periods=1).sum()

0 0.0

1 1.0

2 3.0

3 2.0

4 4.0

与上述相同，但具有前视窗>>> indexer = pd.api.indexers.FixedForwardWindowIndexer(window\_size=2)

>>> df.rolling(window=indexer, min\_periods=1).sum()

0 1.0

1 3.0

2 2.0

3 4.0

4 4.0

参差不齐的(意味着频率不是固定的)，时间索引的DataFrame>>> df = pd.DataFrame(\{'B': \[0, 1, 2, np.nan, 4\]\},

... index = \[pd.Timestamp('20130101 09:00:00'),

... pd.Timestamp('20130101 09:00:02'),

... pd.Timestamp('20130101 09:00:03'),

... pd.Timestamp('20130101 09:00:05'),

... pd.Timestamp('20130101 09:00:06')\])

>>> df

2013-01-01 09:00:00 0.0

2013-01-01 09:00:02 1.0

2013-01-01 09:00:03 2.0

2013-01-01 09:00:05 NaN

2013-01-01 09:00:06 4.0

与整数滚动窗口相反，这将滚动一个与时间段相对应的可变长度窗口。min\_periods的默认值为1>>> df.rolling('2s').sum()

2013-01-01 09:00:00 0.0

2013-01-01 09:00:02 1.0

2013-01-01 09:00:03 3.0

2013-01-01 09:00:05 NaN

2013-01-01 09:00:06 4.0

pandas rolling方法_Python pandas.DataFrame.rolling函数方法的使用

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关 pandas rolling方法_Python pandas.DataFrame.rolling函数方法的使用

相关 Python之sklearn-pandas：sklearn-pandas库函数的简介、安装、使用方法之详细攻略

相关 Python之Pandas：pandas.DataFrame.to_csv函数的简介、具体案例、使用方法详细攻略

相关 pandas的导出csv文件的函数是_pandas的to_csv()使用方法

相关 Python中defaultdict函数的使用方法

相关 python中mean函数的使用方法

相关 Python中pandas模块的使用方法

相关 pandas操作方法

相关 Python pandas，pandas布尔索引，pandas的字符串方法

相关 pandas如何统计均线、移动平均线的方法rolling总结