pandas.Series.rolling#
- Series.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None, step=None, method='single')[源代码]#
提供滚动窗口计算。
- 参数
- windowInt、Offset或BaseIndexer子类
移动窗口的大小。
如果为整数，则为每个窗口使用的固定观测数。
如果是偏移量，则为每个窗口的时间段。每个窗口的大小将根据时间段中包含的观测值而可变。这仅对类似日期时间的索引有效。要了解更多有关偏移量和频率字符串的信息，请参阅 this link 。
如果是BaseIndexer子类，则窗口边界基于定义的
get_window_bounds方法。额外的滚动关键字参数，即min_periods，center，closed和step将传递给get_window_bounds。- min_periodsInt，默认为无
窗口中需要具有值的最小观测数；否则，结果为
np.nan。对于由偏移量指定的窗口，
min_periods将默认为1。对于由整数指定的窗口，
min_periods将默认为窗口的大小。- center布尔值，默认为False
如果为False，则将窗口标签设置为窗口索引的右边缘。
如果为True，则将窗口标签设置为窗口索引的中心。
- win_type字符串，默认为无
如果
None，所有的点都是均匀加权的。如果是字符串，则必须是有效的 scipy.signal window function 。
某些Scipy窗口类型需要在聚合函数中传递额外的参数。附加参数必须与Scipy窗口类型方法签名中指定的关键字匹配。
- on字符串，可选
对于DataFrame，是用于计算滚动窗口的列标签或索引级别，而不是DataFrame的索引。
假定整型列被忽略并从结果中排除，因为整型索引不用于计算滚动窗口。
- axisInt或str，默认为0
如果
0或'index'，在各行之间滚动。如果
1或'columns'，在柱子上滚动。- closed字符串，默认为无
如果
'right'时，窗口中的第一个点将从计算中排除。如果
'left'时，窗口中的最后一个点将从计算中排除。如果
'both'，则窗口中的无点不在计算范围内。如果
'neither'时，窗口中的第一个和最后一个点不在计算范围内。Default
None('right').在 1.2.0 版更改: 现在支持带有固定窗的闭合参数。
- stepInt，默认为无
..版本已添加：：1.5.0
每隔一次对窗口进行评估
step结果，相当于切片为[::step]。window必须是整数。使用除None或1以外的Step参数将生成与输入形状不同的结果。- methodStr{‘Single’，‘TABLE’}，默认为‘Single’
1.3.0 新版功能.
按单列或单行执行滚动操作 (
'single')或在整个对象上 ('table')。此参数仅在指定
engine='numba'在方法调用中。
- 退货
Window子类，如果win_type已通过Rolling子类IFwin_type未通过
注意事项
看见 Windowing Operations 获取更多用法详细信息和示例。
示例
>>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df B 0 0.0 1 1.0 2 2.0 3 NaN 4 4.0
window
窗口长度为2个观测值的滚动总和。
>>> df.rolling(2).sum() B 0 NaN 1 1.0 2 3.0 3 NaN 4 NaN
窗口跨度为2秒的滚动求和。
>>> df_time = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ... index = [pd.Timestamp('20130101 09:00:00'), ... pd.Timestamp('20130101 09:00:02'), ... pd.Timestamp('20130101 09:00:03'), ... pd.Timestamp('20130101 09:00:05'), ... pd.Timestamp('20130101 09:00:06')])
>>> df_time B 2013-01-01 09:00:00 0.0 2013-01-01 09:00:02 1.0 2013-01-01 09:00:03 2.0 2013-01-01 09:00:05 NaN 2013-01-01 09:00:06 4.0
>>> df_time.rolling('2s').sum() B 2013-01-01 09:00:00 0.0 2013-01-01 09:00:02 1.0 2013-01-01 09:00:03 3.0 2013-01-01 09:00:05 NaN 2013-01-01 09:00:06 4.0
具有2个观察值的前瞻性窗口的滚动总和。
>>> indexer = pd.api.indexers.FixedForwardWindowIndexer(window_size=2) >>> df.rolling(window=indexer, min_periods=1).sum() B 0 1.0 1 3.0 2 2.0 3 4.0 4 4.0
min_periods
窗口长度为2个观测值的滚动总和，但只需要最少1个观测值即可计算值。
>>> df.rolling(2, min_periods=1).sum() B 0 0.0 1 1.0 2 3.0 3 2.0 4 4.0
center
与分配给窗口索引中心的结果一起滚动求和。
>>> df.rolling(3, min_periods=1, center=True).sum() B 0 1.0 1 3.0 2 3.0 3 6.0 4 4.0
>>> df.rolling(3, min_periods=1, center=False).sum() B 0 0.0 1 1.0 2 3.0 3 3.0 4 6.0
step
滚动求和，窗口长度为2个观测值，最少有1个观测值，步长为2。
>>> df.rolling(2, min_periods=1, step=2).sum() B 0 0.0 2 3.0 4 4.0
win_type
窗口长度为2的滚动总和，使用Scipy
'gaussian'窗类型。std在聚合函数中是必需的。>>> df.rolling(2, win_type='gaussian').sum(std=3) B 0 NaN 1 0.986207 2 2.958621 3 NaN 4 NaN