gaussian窗口函数_Pandas 移动窗口函数 rolling

说明

Pandas 中文教程修订中，欢迎加微信 sinbam 提供建议、纠错、催更。查看更新日志

.rolling()函数又叫移动窗口函数，此函数可以应用于一系列数据，指定参数window=n，并在其上调用适合的统计函数。

创建 Rolling 对象

创建 Rolling 对象后，可以对对象进行计算操作。

s = pd.Series(np.random.randn(1000),

index=pd.date_range('1/1/2000', periods=1000))

s = s.cumsum()

r = s.rolling(window=60)

r

# Rolling [window=60,center=False,axis=0]

我们可以看看 Rolling 支持的统计方法：

r. # noqa: E225, E999

r.agg r.apply r.count r.exclusions r.max r.median r.name r.skew r.sum

r.aggregate r.corr r.cov r.kurt r.mean r.min r.quantile r.std r.var

参数

在.rolling() 创建对象时，它支持以下参数：

参数

说明

window

可选参数，表示时间窗的大小，注意有两种形式(int 或 offset)。如果使用 int，则数值表示计算统计量的观测值的数量即向前几个数据，如果是offset类型，表示时间窗的大小。

min_periods

每个窗口最少包含的观测值数量，小于这个值的窗口结果为NaN，值可以是int，默认None，offset情况下，默认为1。

center

把窗口的标签设置为居中。布尔型，默认False，居右

win_type

窗口的类型，截取窗的各种函数，字符串类型，默认为None。

on

可选参数，对于dataframe而言，指定要计算滚动窗口的列，值为列名。

axis

int、字符串，默认为0，即对列进行计算

closed

定义区间的开闭，支持int类型的window。对于offset类型默认是左开右闭，默认为right，可以根据情况指定为left、both等。

窗口的类型 win_type

将win_type 传递给.rolling 会生成一个通用的滚动窗口计算，该计算将根据 win_type进行加权。

win_type 参数支持以下类型：

boxcar

triang

blackman

hamming

bartlett

parzen

bohman

blackmanharris

nuttall

barthann

kaiser (needs beta)

gaussian (needs std)

general_gaussian (needs power, width)

slepian (needs width)

exponential (needs tau).

如：

ser.rolling(window=5, win_type='triang').mean()

ser.rolling(window=5, win_type='gaussian').mean(std=0.1)

# 以下相同

ser.rolling(window=5, win_type='boxcar').mean()

ser.rolling(window=5).mean()

统计

我们可以使用上边的统计方法对窗口进行计算：

r.mean()

s.plot(style='k--') # 绘图看一下变化，原数据

r.mean().plot(style='k') # 绘图看一下变化，计算后的

DataFrame 的应用

它们也可以应用于DataFrame对象。 这实际上只是将移动窗口运算符应用于DataFrame 的所有列的语法糖：

df = pd.DataFrame(np.random.randn(1000, 4),

index=pd.date_range('1/1/2000', periods=1000),

columns=['A', 'B', 'C', 'D'])

df = df.cumsum()

# 操作并绘图

df.rolling(window=60).sum().plot(subplots=True)

统计方法

提供许多常见的统计功能：

Method

Description

count()

Number of non-null observations

sum()

Sum of values

mean()

Mean of values

median()

Arithmetic median of values

min()

Minimum

max()

Maximum

std()

Bessel-corrected sample standard deviation

var()

Unbiased variance

skew()

Sample skewness (3rd moment)

kurt()

Sample kurtosis (4th moment)

quantile()

Sample quantile (value at %)

apply()

Generic apply

cov()

Unbiased covariance (binary)

corr()

Correlation (binary)

使用函数 apply()

apply() 函数接受一个额外的 func 参数，并执行通用滚动计算。 func 参数应该是一个从 ndarray 输入生成单个值的函数。 假设我们要滚动计算平均绝对偏差：

def mad(x):

return np.fabs(x - x.mean()).mean()

s.rolling(window=60).apply(mad, raw=True).plot(style='k')