maxframe.dataframe.Series.rolling#

Series.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)#

提供滚动窗口计算。

参数:

  • window (int, or offset) -- 移动窗口的大小。这是用于计算统计量的观测值数量。每个窗口将是一个固定大小。如果它是一个偏移量，则这将是每个窗口的时间段。每个窗口将根据时间期内包含的观测值而具有可变大小。这仅对类似日期时间的索引有效。这是 0.19.0 中的新功能

  • min_periods (int, default None) -- 窗口中需要具有值的最小观测值数量（否则结果为 NA）。对于由偏移量指定的窗口，min_periods 将默认为 1。否则，min_periods 将默认为窗口的大小。

  • center (bool, default False) -- 将标签设置在窗口的中心。

  • win_type (str, default None) -- 提供窗口类型。如果为 None，则所有点的权重相等。有关更多信息，请参见下面的说明。

  • on (str, optional) -- 对于 DataFrame，指定一个类似日期时间的列来计算滚动窗口，而不是使用 DataFrame 的索引。提供的整数列将被忽略并从结果中排除，因为整数索引不用于计算滚动窗口。

  • axis (int or str, default 0)

  • closed (str, default None) -- 使区间在“右”、“左”、“两者”或“都不”端点闭合。对于基于偏移量的窗口，默认为“右”。对于固定窗口，默认为“两者”。其余情况未针对固定窗口实现。

返回类型:

a Window or Rolling sub-classed for the particular operation

参见

expanding

提供扩展变换。

ewm

提供指数加权函数。

备注

默认情况下，结果设置在窗口的右边缘。可以通过设置 center=True 将其更改为窗口的中心。要了解更多关于偏移量和频率字符串的信息，请参见 此链接。

公认的 win_types 有：* boxcar * triang * blackman * hamming * bartlett * parzen * bohman * blackmanharris * nuttall * barthann * kaiser``（需要 beta）* ``gaussian （需要 std）* general_gaussian``（需要 power、width）* ``slepian （需要 width）* ``exponential``（需要 tau），center 设置为 None。

如果 win_type=None，则所有点的权重相等。要了解更多关于不同窗口类型的信息，请参见 scipy.signal 窗口函数。

示例

>>> import numpy as np
>>> import maxframe.dataframe as md
>>> df = md.DataFrame({'B': [0, 1, 2, np.nan, 4]})
>>> df.execute()
     B
0  0.0
1  1.0
2  2.0
3  NaN
4  4.0

使用“triang”窗口类型，窗口长度为 2 的滚动求和。

>>> df.rolling(2, win_type='triang').sum().execute()
     B
0  NaN
1  0.5
2  1.5
3  NaN
4  NaN

窗口长度为 2 的滚动求和，min_periods 默认为窗口长度。

>>> df.rolling(2).sum().execute()
     B
0  NaN
1  1.0
2  3.0
3  NaN
4  NaN

与上述相同，但显式设置了 min_periods

>>> df.rolling(2, min_periods=1).sum().execute()
     B
0  0.0
1  1.0
2  3.0
3  2.0
4  4.0

一个不规则（即非固定频率）的时间索引 DataFrame

>>> df = md.DataFrame({'B': [0, 1, 2, np.nan, 4]},
>>>                   index = [md.Timestamp('20130101 09:00:00'),
>>>                            md.Timestamp('20130101 09:00:02'),
>>>                            md.Timestamp('20130101 09:00:03'),
>>>                            md.Timestamp('20130101 09:00:05'),
>>>                            md.Timestamp('20130101 09:00:06')])
>>> df.execute()
                       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

与整数滚动窗口相比，这将滚动一个与时间段对应的可变长度窗口。min_periods 的默认值为 1。

>>> df.rolling('2s').sum().execute()
                       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