pandas 重写rolling功能，判断window窗口期内数据为升降还是降序

一、rolling函数的基本用法

pandas 的rolling函数，功能比较强大，可以实现大部分统计功能，主要功能与用法如下：

df[col_name].rolling(window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None)

min_periods : 参数的数值是整数,缺省无。窗口中需要有值的最小观察次数（否则结果为na）。对于由偏移量指定的窗口，最小时段将默认为1。否则，最小时段将默认为窗口大小。

center : 参数的是布尔值 , 缺省为False，设置标签在窗口的中心。

win_type : 参数为字符串, 缺省为None提供一个窗口类型. 如果是None,也就是缺省，全部的点都平均加权.

win——type的类型：
boxcar
triang
blackman
hamming
bartlett
parzen
bohman
blackmanharris
nuttall
barthann
kaiser (needs beta)
gaussian (needs std)
general_gaussian (needs power, width)
slepian (needs width).
具体这些类型的使用，参考： scipy.signal window functions.

on：参数为字符串，可选，对于数据帧，计算滚动窗口而不是索引的列

axis：参数为0或1，默认为0，0为按列，1为按行

close：参数为字符串，默认无，在“right”、“left”、“both”或“neither”终结点上关闭间
隔。对于基于偏移量的窗口，它默认为“left”。对于固定窗口，默认为“both”。

在使用rolling函数后，我们还可以使用下面的统计方法对数据进行汇聚，比如：

rolling.count（）计算非空观察数

rolling. sum（）值的总和

rolling. mean（）平均值

rolling. median（）计算中值

rolling. min（）得到最小值

rolling. max（）得到最大值

rolling. std（）求贝塞尔修正样本标准差

rolling. var（）求无偏方差

rolling. skew（）样本偏度

rolling. kurt（）样本峰度

rolling. quantile（）样本分位数（参数值为百分比）

rolling. apply（）这个自己可以定义函数来灵活运用。

rolling. cov（）无偏协方差在数据处理中用于衡量两个变量的总体误差。

rolling. corr（）相关系数， 它是研究变量之间线性相关程度的量

它的计算与取值原理如下：

注：图片来自https://www.cnblogs.com/traditional/p/13776180.html，对原作者表示感谢，侵删

二、重写rolling，判断窗口期内数据为升序还是降序，并输出

原理思路：和上面基本相同，根据设定的window，通过循环取值，并对所取的值进行升序降序判断，实现对升续还是降序数据的查找。

def ascend_decend_series_finder(df,col_name,window=5):
    """查找df指定序列中窗口期内的数字是升序还是降序，并将期输出
       Params:
            df: pandas 数据框文件
            col_name:指定查找列的列名
            window:窗口周期
       Returns:
            升降序与序列位置、序列值
    """
    
    df_data = df[col_name]
    flag1=0
    try:   
        for i in range(len(df_data)):
            arr = df_data[i:window+i]
            for i in range(window):
                # i = 0,1,2,...window-1; 
                if i <= window-2:
                    if arr.iloc[i] < arr.iloc[i+1]:
                        flag0 = 1
                    elif arr.iloc[i] > arr.iloc[i+1]:
                        flag0 = -1
                if i == 0:
                    flag1=flag0
                else:
                    flag1 = 0
            if flag1 == 1:
                print('升势',arr)
            elif flag1 == -1:
                print('降势',arr)
    except:
        pass

    return 

print(ascend_decend_series_finder(new_csv_df,'Site_R',window=4))

输出结果如下：

 

这种方法有一个缺陷，就是数据量大、窗口大的情况下，计算速度比较慢。有优化的思路，但是鉴于时间有限，没有进行深究。

谁有更好的解决思路和结果，欢迎斧正！