【Pandas】pandas DataFrame expanding
Pandas2.2 DataFrame
Function application, GroupBy & window
| 方法 | 描述 |
|---|---|
| DataFrame.apply(func[, axis, raw, …]) | 用于沿 DataFrame 的轴（行或列）应用一个函数 |
| DataFrame.map(func[, na_action]) | 用于对 DataFrame 的每个元素应用一个函数 |
| DataFrame.applymap(func[, na_action]) | 用于对 DataFrame 中的每一个元素应用一个函数 |
| DataFrame.pipe(func, *args, **kwargs) | 用于实现链式编程风格的方法 |
| DataFrame.agg([func, axis]) | 用于对 DataFrame 的数据进行聚合操作 |
| DataFrame.aggregate([func, axis]) | 用于对 DataFrame 进行聚合操作的方法 |
| DataFrame.transform(func[, axis]) | 用于对 DataFrame 的列或行应用函数 |
| DataFrame.groupby([by, axis, level, …]) | 用于进行分组操作的核心方法 |
| DataFrame.rolling(window[, min_periods, …]) | 用于在 DataFrame 上创建滑动窗口对象 |
| DataFrame.expanding([min_periods, axis, method]) | 用于实现扩展窗口计算 |
pandas.DataFrame.expanding()
pandas.DataFrame.expanding() 用于实现扩展窗口计算，其窗口范围从数据起始点逐步扩展到当前行/列，适用于累积统计量的动态计算。以下是具体解析及示例：
一、函数语法
DataFrame.expanding(min_periods=1, axis=0, method='single')
- 参数说明：
min_periods：窗口内要求的最小非空观测数，低于此数返回NaN（默认值 1）。axis：计算方向，0或'index'表示纵向（默认），1或'columns'表示横向。method：仅在使用engine='numba'时有效，'single'（逐列计算）或'table'（全表计算）。
二、使用示例
示例 1：纵向累积求和（默认参数）
import pandas as pd
import numpy as npdf = pd.DataFrame({"B": [0, 1, 2, np.nan, 4]})
result = df.expanding(min_periods=1).sum()
print(result)
输出：
B
0 0.0
1 1.0
2 3.0
3 3.0 # 跳过 NaN，累积前三项 0+1+2=3
4 7.0 # 0+1+2+4=7（NaN 被忽略）
说明：默认按行方向扩展窗口，min_periods=1 表示至少包含 1 个有效值开始计算。NaN 值自动跳过，不影响已累积的有效值。
示例 2：调整最小观测数（min_periods=2）
result = df.expanding(min_periods=2).sum()
print(result)
输出：
B
0 NaN # 仅 1 个数据，不满足 min_periods=2
1 1.0 # 0+1=1
2 3.0
3 3.0
4 7.0
说明：首行因有效数据不足 min_periods=2 返回 NaN，后续窗口满足条件后正常计算。
示例 3：横向扩展窗口（axis=1）
df = pd.DataFrame({"A": [1, 2], "B": [3, 4], "C": [5, 6]})
result = df.expanding(axis=1).sum()
print(result)
输出：
A B C
1 1 4.0 9.0 # 行1横向累积：1 → 1+3=4 → 1+3+5=9
2 2 6.0 12.0 # 行2横向累积：2 → 2+4=6 → 2+4+6=12
说明：axis=1 时按列横向扩展窗口，逐行从左到右累积计算。
三、关键特性总结
- 动态窗口：窗口大小随数据位置递增，适用于累积计算场景。
- NaN 处理：自动跳过空值，但需满足
min_periods要求。 - 灵活方向：通过
axis参数支持纵向（默认）或横向计算。