时间序列-滑动窗口

前提必备知识：学会使用pandas 和numpy 产生时间序列数据--在pandas数据分析中有讲解

1，数据重采样：

1.1 降采样：

假设我收集了一年的数据，时间数据的频率是1天，一共365天的数据，那么我想按照月这个频率记，那么时间频率就变成了12个月了，频率变低了，叫做降采样。

1.2 升采样：

与降采样相反，时间频率变高了。

1.2 代码演示：

降采样

import pandas as pd
import numpy as np
# 创建一个时间序列：以天为周期90天的数据
rng = pd.date_range('1/1/2011', periods=90, freq='D')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
 
# 降低频率
ts.resample('M').sum() # 将其以按照月为单位，
ts.resample('3D').sum()# 每隔3天合并
day3Ts = ts.resample('3D').mean() #可以以均值合并，也可以自己写一个apply函数自己定义算法
 
 
# 升采样
print(day3Ts.resample('D').asfreq()) # 原来3天一个间隔，现在将其分隔开，但是有问题，有缺失值。解决方法看下一段代码升采样插值方法：
'''
2011-01-01   -1.007135
2011-01-02         NaN
2011-01-03         NaN
2011-01-04    0.776943
2011-01-05         NaN
2011-01-06         NaN
...
'''

升采样插值方法：

• ffill 空值取前面的值
• bfill 空值取后面的值
• interpolate 线性取值

day3Ts.resample('D').ffill(1) #缺失值的地方 取前一个不是缺失值的数据。ffill里面的1 效果如下
'''
2011-01-01    0.015214
2011-01-02         NaN
2011-01-03   -0.751735
2011-01-04   -0.751735
2011-01-05         NaN
2011-01-06    0.190381
ffill(2):
2011-01-01    0.015214
2011-01-02   -0.240435
2011-01-03   -0.496085
2011-01-04   -0.751735
2011-01-05   -0.437697
2011-01-06   -0.123658
'''
day3Ts.resample('D').bfill(1)
 
day3Ts.resample('D').interpolate('linear') # 这个是线性的感觉比较好，就是中间找出来两个点，使间距相等。

1. %matplotlib inline 
   import matplotlib.pylab
   import numpy as np
   import pandas as pd
    
   df = pd.Series(np.random.randn(600), index = pd.date_range('7/1/2016', freq = 'D', periods = 600))
    
   ''' 定义滑动窗口'''
   r = df.rolling(window = 10) # 窗口长度为10，可以计算这十个数的信息，比如最大值，均值等等
   #r.max, r.median, r.std, r.skew, r.sum, r.var
   print(r.mean()) #计算均值
   '''
   df.rolling(window=10).mean() 效果如下
   2016-07-01         NaN
   2016-07-02         NaN
   2016-07-03         NaN
   2016-07-04         NaN
   2016-07-05         NaN
   2016-07-06         NaN
   2016-07-07         NaN
   2016-07-08         NaN
   2016-07-09         NaN
   2016-07-10    0.365879
   2016-07-11    0.154923
   2016-07-12    0.085345
   2016-07-13    0.117916
   ...
   '''
    
    
   # 画图，pandas的画图也不错啊！
   import matplotlib.pyplot as plt
   %matplotlib inline
    
   plt.figure(figsize=(15, 5))
    
   df.plot(style='r--')
   df.rolling(window=10).mean().plot(style='b')

    

这个比较容易理解