【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 pd

df = 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

1. 窗口大小：若 window 为偶数且 center=True，窗口会向前多取一个值。
2. 时间序列窗口：使用 on 参数时，需要指定时间列。
3. 缺失值处理：通过 min_periods 控制允许的最小非NaN数据量。
4. 窗口类型：如 win_type='gaussian' 需配合 std 参数指定标准差。