窗户#

滚动对象由返回 .rolling 呼叫： pandas.DataFrame.rolling() ， pandas.Series.rolling() 等。扩展对象由 .expanding 呼叫： pandas.DataFrame.expanding() ， pandas.Series.expanding() ExponentialMovingWindow对象由 .ewm 呼叫： pandas.DataFrame.ewm() ， pandas.Series.ewm() 等。

滚动窗口函数#

`Rolling.count` \()	计算非NaN观测的滚动计数。
`Rolling.sum` \(*参数[, engine, engine_kwargs] )	计算累计和。
`Rolling.mean` \(*参数[, engine, engine_kwargs] )	计算滚动平均值。
`Rolling.median` \([engine, engine_kwargs] )	计算滚动中值。
`Rolling.var` \([ddof, engine, engine_kwargs] )	计算滚动差异。
`Rolling.std` \([ddof, engine, engine_kwargs] )	计算轧制标准差。
`Rolling.min` \(*参数[, engine, engine_kwargs] )	计算滚动最小值。
`Rolling.max` \(*参数[, engine, engine_kwargs] )	计算滚动最大值。
`Rolling.corr` \([other, pairwise, ddof] )	计算滚动相关性。
`Rolling.cov` \([other, pairwise, ddof] )	计算滚动样本协方差。
`Rolling.skew` \(** Kwargs)	计算滚动无偏偏斜度。
`Rolling.kurt` \(** Kwargs)	无偏地计算滚动费雪对峰度的定义。
`Rolling.apply` \(函数[, raw, engine, ...] )	计算滚动自定义聚合函数。
`Rolling.aggregate` \(函数，args, *kwargs)	使用指定轴上的一个或多个操作进行聚合。
`Rolling.quantile` \(分位数[, interpolation] )	计算滚动分位数。
`Rolling.sem` \([ddof] )	计算平均轧制标准误差。
`Rolling.rank` \([method, ascending, pct] )	计算滚动排名。

`Expanding.count` \()	计算非NaN观测的扩展计数。
`Expanding.sum` \(*参数[, engine, engine_kwargs] )	计算扩展和。
`Expanding.mean` \(*参数[, engine, engine_kwargs] )	计算扩展平均值。
`Expanding.median` \([engine, engine_kwargs] )	计算扩展的中位数。
`Expanding.var` \([ddof, engine, engine_kwargs] )	计算扩展方差。
`Expanding.std` \([ddof, engine, engine_kwargs] )	计算扩展标准差。
`Expanding.min` \(*参数[, engine, engine_kwargs] )	计算扩展最小值。
`Expanding.max` \(*参数[, engine, engine_kwargs] )	计算扩展最大值。
`Expanding.corr` \([other, pairwise, ddof] )	计算扩展关联。
`Expanding.cov` \([other, pairwise, ddof] )	计算扩展样本协方差。
`Expanding.skew` \(** Kwargs)	计算扩展的无偏偏斜度。
`Expanding.kurt` \(** Kwargs)	无偏地计算扩展的费舍尔峰度定义。
`Expanding.apply` \(函数[, raw, engine, ...] )	计算扩展的自定义聚合函数。
`Expanding.aggregate` \(函数，args, *kwargs)	使用指定轴上的一个或多个操作进行聚合。
`Expanding.quantile` \(分位数[, interpolation] )	计算扩展分位数。
`Expanding.sem` \([ddof] )	计算平均值的扩展标准差。
`Expanding.rank` \([method, ascending, pct] )	计算扩展的排名。

`ExponentialMovingWindow.mean` \(*参数[, ...] )	计算EWM(指数加权矩)平均值。
`ExponentialMovingWindow.sum` \(*参数[, engine, ...] )	计算EWM(指数加权矩)和。
`ExponentialMovingWindow.std` \([bias] )	计算EWM(指数加权矩)标准差。
`ExponentialMovingWindow.var` \([bias] )	计算指数加权矩(EWM)方差。
`ExponentialMovingWindow.corr` \([other, pairwise] )	计算EWM(指数加权矩)样本相关性。
`ExponentialMovingWindow.cov` \([other, ...] )	计算EWM(指数加权矩)样本协方差。

用于定义自定义窗口边界的基类。

`api.indexers.BaseIndexer` \([index_array, ...] )	用于计算窗口边界的基类。
`api.indexers.FixedForwardWindowIndexer` \([...] )	为包括当前行的固定长度窗口创建窗口边界。
`api.indexers.VariableOffsetWindowIndexer` \([...] )	基于非固定偏移量(如Business Day)计算窗口边界。

pandas.tseries.frequencies.to_offset

pandas.core.window.rolling.Rolling.count