【Pandas】pandas DataFrame rolling
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 |
pandas.DataFrame.rolling()
pandas.DataFrame.rolling() 用于在 DataFrame 上创建滑动窗口对象，支持对窗口内的数据应用聚合函数（如均值、求和等）。以下是详细说明及示例：
语法
DataFrame.rolling(window, # 窗口大小（观测数量或时间间隔）min_periods=None, # 窗口内最小非NaN数据量（默认等于window）center=False, # 是否居中窗口（默认窗口向后对齐）win_type=None, # 窗口类型（如 'triang', 'gaussian' 等）on=None, # 对指定列（时间序列）应用窗口axis=0, # 轴向：0（按列滑动），1（按行滑动）closed=None, # 窗口闭合方式：'left', 'right', 'both', 'neither'step=None, # 窗口步长（滑动间隔）method='single' # 多列计算方式：'single' 或 'table'
)
示例
示例 1：基本滑动窗口（计算移动平均）
import pandas as pddf = pd.DataFrame({'Value': [1, 2, 3, 4, 5]})
# 窗口大小为3，计算移动平均
rolling_mean = df.rolling(window=3).mean()
print(rolling_mean)
输出：
Value
0 NaN
1 NaN
2 2.0
3 3.0
4 4.0
解释：
- 窗口大小为3，前两个位置（索引0、1）数据不足，结果为NaN。
- 索引2的结果为前3个值的均值：
(1+2+3)/3 = 2.0。
示例 2：居中窗口（center=True）
# 居中窗口，窗口大小为3
rolling_mean_centered = df.rolling(window=3, center=True).mean()
print(rolling_mean_centered)
输出：
Value
0 NaN
1 2.0
2 3.0
3 4.0
4 NaN
解释：
- 窗口以当前行为中心，前后各取1个值（总宽度3）。
- 索引0和4因数据不足为NaN。
示例 3：使用窗口类型（win_type）
# 使用高斯加权窗口（窗口大小5，标准差0.6）
rolling_gaussian = df.rolling(window=5, win_type='gaussian').mean(std=0.6)
print(rolling_gaussian)
输出：
Value
0 NaN
1 NaN
2 NaN
3 NaN
4 3.00000
解释：
- 窗口大小为5，前4个位置数据不足，结果为NaN。
- 索引4的结果为加权平均（权重由高斯函数生成）。
示例 4：时间序列窗口（on 参数）
# 创建时间序列数据
date_rng = pd.date_range(start='2023-01-01', periods=5, freq='D')
df_time = pd.DataFrame({'Date': date_rng, 'Value': [1, 2, 3, 4, 5]})
# 按时间窗口（2天）计算均值
rolling_time = df_time.rolling(window='2D', on='Date').mean()
print(rolling_time)
输出：
Date Value
0 2023-01-01 1.0
1 2023-01-02 1.5
2 2023-01-03 2.5
3 2023-01-04 3.5
4 2023-01-05 4.5
解释：
- 窗口按时间跨度（2天）滑动。
- 例如，索引1的均值为
(1+2)/2 = 1.5。
示例 5：按行滑动（axis=1）
df_row = pd.DataFrame([[1, 2, 3], [4, 5, 6]])
# 横向滑动窗口（窗口大小2）
rolling_row = df_row.rolling(window=2, axis=1).sum()
print(rolling_row)
输出：
0 1 2
0 NaN 3.0 5.0
1 NaN 9.0 11.0
解释：
- 按行横向滑动，窗口大小为2。
- 例如，第0行的结果：
NaN（窗口不足）,1+2=3,2+3=5。
示例 6：自定义聚合函数
# 计算窗口内最大值与最小值的差值
df = pd.DataFrame({'Value': [2, 5, 3, 8, 1]})
rolling_range = df.rolling(window=3).apply(lambda x: x.max() - x.min())
print(rolling_range)
输出：
Value
0 NaN
1 NaN
2 3.0
3 5.0
4 7.0
解释：
- 窗口大小为3。
- 索引2的结果：
max(2,5,3)=5，min=2，差值3。
注意事项
- 窗口大小：若
window为偶数且center=True，窗口会向前多取一个值。 - 时间序列窗口：使用
on参数时，需要指定时间列。 - 缺失值处理：通过
min_periods控制允许的最小非NaN数据量。 - 窗口类型：如
win_type='gaussian'需配合std参数指定标准差。