【Pandas】pandas DataFrame expanding

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
DataFrame.expanding([min_periods, axis, method])	用于实现扩展窗口计算

pandas.DataFrame.expanding()

pandas.DataFrame.expanding() 用于实现扩展窗口计算，其窗口范围从数据起始点逐步扩展到当前行/列，适用于累积统计量的动态计算。以下是具体解析及示例：

---

一、函数语法

DataFrame.expanding(min_periods=1, axis=0, method='single')

• 参数说明：
  • min_periods：窗口内要求的最小非空观测数，低于此数返回NaN（默认值 1）。
  • axis：计算方向，0 或 'index' 表示纵向（默认），1 或 'columns' 表示横向。
  • method：仅在使用 engine='numba' 时有效，'single'（逐列计算）或 'table'（全表计算）。

---

二、使用示例

示例 1：纵向累积求和（默认参数）

import pandas as pd
import numpy as np

df = pd.DataFrame({"B": [0, 1, 2, np.nan, 4]})
result = df.expanding(min_periods=1).sum()
print(result)

输出：

     B
0  0.0
1  1.0
2  3.0
3  3.0  # 跳过 NaN，累积前三项 0+1+2=3
4  7.0  # 0+1+2+4=7（NaN 被忽略）

说明：默认按行方向扩展窗口，min_periods=1 表示至少包含 1 个有效值开始计算。NaN 值自动跳过，不影响已累积的有效值。

---

示例 2：调整最小观测数（min_periods=2）

result = df.expanding(min_periods=2).sum()
print(result)

输出：

     B
0  NaN  # 仅 1 个数据，不满足 min_periods=2
1  1.0  # 0+1=1
2  3.0
3  3.0
4  7.0

说明：首行因有效数据不足 min_periods=2 返回 NaN，后续窗口满足条件后正常计算。

---

示例 3：横向扩展窗口（axis=1）

df = pd.DataFrame({"A": [1, 2], "B": [3, 4], "C": [5, 6]})
result = df.expanding(axis=1).sum()
print(result)

输出：

   A    B     C
1  1  4.0   9.0  # 行1横向累积：1 → 1+3=4 → 1+3+5=9
2  2  6.0  12.0  # 行2横向累积：2 → 2+4=6 → 2+4+6=12

说明：axis=1 时按列横向扩展窗口，逐行从左到右累积计算。

---

三、关键特性总结

1. 动态窗口：窗口大小随数据位置递增，适用于累积计算场景。
2. NaN 处理：自动跳过空值，但需满足 min_periods 要求。
3. 灵活方向：通过 axis 参数支持纵向（默认）或横向计算。