Python pandas.DataFrame.rolling函数方法的使用-CJavaPy

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
     B
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()
     B
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)
          B
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()
     B
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()
     B
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()
     B
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
                       B
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()
                       B
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

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

推荐文档

微信小程序

抖音小程序

相关文档

大家感兴趣的内容

随机列表