pandas实现滑动窗口的示例代码

pandas 滑动窗口 2023-05-13 17:05:36 718人浏览八月长安

Python 官方文档：入门教程 => 点击学习

摘要

目录介绍示例数据移动平均值移动总和最大值和最小值结论介绍窗口函数（Window Function）是一种在关系型数据库中使用的函数，通常用于计算某个范围内的数据。在数据分析中，窗口

介绍

窗口函数（Window Function）是一种在关系型数据库中使用的函数，通常用于计算某个范围内的数据。在数据分析中，窗口函数也是一种非常有用的工具，可以轻松地对数据进行滑动窗口处理，计算移动平均值、移动总和等等。

在本文中，我们将使用pandas库来实现窗口函数。pandas是一种流行的数据处理库，它提供了许多用于数据处理和分析的工具，其中包括窗口函数。

示例数据

为了演示窗口函数的使用，我们将使用一个示例数据集，其中包含每月的销售数据。

import pandas as pd
 
data = {'Month': ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'],
        'Sales': [10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 110, 120]}
 
df = pd.DataFrame(data)

df
   Month  Sales
0    Jan     10
1    Feb     20
2    Mar     30
3    Apr     40
4    May     50
5    Jun     60
6    Jul     70
7    Aug     80
8    Sep     90
9    Oct    100
10   Nov    110
11   Dec    120

移动平均值

移动平均值是一种常见的窗口函数，用于计算一段时间内的平均值。在pandas中，我们可以使用rolling函数来计算移动平均值。

df['MA'] = df['Sales'].rolling(window=3).mean()

在上面的代码中，我们使用了rolling函数，并将窗口大小设置为3，即计算每三个月的平均值。计算出的结果将存储在一个名为“MA”的新列中。

移动总和

移动总和是另一种常见的窗口函数，用于计算一段时间内的总和。在pandas中，我们可以使用rolling函数来计算移动总和。

df['MS'] = df['Sales'].rolling(window=3).sum()

在上面的代码中，我们使用了rolling函数，并将窗口大小设置为3，即计算每三个月的总和。计算出的结果将存储在一个名为“MS”的新列中。

df['MA'] = df['Sales'].rolling(window=3).mean()
... 
df
   Month  Sales     MA
0    Jan     10    NaN
1    Feb     20    NaN
2    Mar     30   20.0
3    Apr     40   30.0
4    May     50   40.0
5    Jun     60   50.0
6    Jul     70   60.0
7    Aug     80   70.0
8    Sep     90   80.0
9    Oct    100   90.0
10   Nov    110  100.0
11   Dec    120  110.0

最大值和最小值

除了移动平均值和移动总和之外，我们还可以使用rolling函数来计算一段时间内的最大值和最小值。

df['Max'] = df['Sales'].rolling(window=3).max()
df['Min'] = df['Sales'].rolling(window=3).min()

在上面的代码中，我们使用了rolling函数，并将窗口大小设置为3，分别计算了最大值和最小值。计算出的结果将存储在名为“Max”和“Min”的新列中。

df
   Month  Sales     MA    Max    Min    Sum
0    Jan     10    NaN    NaN    NaN    NaN
1    Feb     20    NaN    NaN    NaN    NaN
2    Mar     30   20.0   30.0   10.0   60.0
3    Apr     40   30.0   40.0   20.0   90.0
4    May     50   40.0   50.0   30.0  120.0
5    Jun     60   50.0   60.0   40.0  150.0
6    Jul     70   60.0   70.0   50.0  180.0
7    Aug     80   70.0   80.0   60.0  210.0
8    Sep     90   80.0   90.0   70.0  240.0
9    Oct    100   90.0  100.0   80.0  270.0
10   Nov    110  100.0  110.0   90.0  300.0
11   Dec    120  110.0  120.0  100.0  330.0