pandas中的窗口对象（窗口函数）
source link: https://blog.csdn.net/qsx123432/article/details/111396542
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
引用文章：（ Pandas 窗口函数）
以下内容是总结记忆版：（个人理解， 如有偏差，请多指教）
窗口函数简介
中文释义： = 窗户。可以通过它对某一个区域进行观测和眺望。
英文释义 = window 。
计算机释义 = 窗口，视窗：
an area within a frame on a computer screen, in which a particular program is operating or in which information of a particular type is shown
（解释：一个框架的区域，在这个区域中一些特殊的程序和信息进行被执性、显示、处理）
为何要引入窗口函数
因为有些特殊的时序数据难以直接进行操作。
窗口函数方便处理时序数据，解决了滞后性和数据分布的不稳定性。
主要用于通过平滑曲线来以图形方式查找数据内的趋势。
基本使用方法
1. 读取或输入时序数据（序列数据）
2. 将数据换成 pd 格式
3. 定义窗口的方式及大小
4. 在指定窗口下执行需要的统计函数
下面将通过这些步骤依次进行展开：
滑动窗口 rolling
话不多说，先上代码，然后带着问题去读解释。
代码段1：
import pandas as pd
s = pd.Series([1,2,3,4,5])
roller = s.rolling(window=3)
print(roller.mean())
运行结果：
0 NaN
1 NaN
2 2.0
3 3.0
4 4.0
为什么是这样：
这是因为参数 window 设置的原因：
（是 .rolling() 中的必备参数）
window = 数值型int --> 计算统计量的观测值的数量，及从第0个元素开始，
向前数window个，然后在使用后面定义的函数
window = offset时间偏移量 --> 表示时间窗的大小
程序解释：
s = pd.Series([1,2,3,4,5]) --> [1,2,3,4,5]
经过：s.rolling(window=3) -->
从第0个下标，往前数3个，[空，空 ，1]
从第1个下标，往前数3个，[空，1 ， 2]
从第2个下标，往前数3个，[1， 2， 3]
从第3个下标，往前数3个，[2， 3， 4]
从第4个下标，往前数3个，[3， 4， 5]
然后得到的元素，在经过统计函数，mean()进行计算。
第n个元素的值将是n，n-1和n-2元素的平均值
便形成了：
0 NaN
1 NaN
2 2.0
3 3.0
4 4.0
代码段2：
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(10, 4),
index = pd.date_range('1/1/2020', periods=10),
columns = ['A', 'B', 'C', 'D'])
print(df)
print (df.rolling(window=3).mean())
自行输入体会
扩张窗口 expanding
.expanding()又叫扩展窗口函数。
不是固定窗口长度，其长度是不断的扩大的。所以才叫expanding (ing现在进行时，expand扩展)–>(时刻在扩展)
rolling(window = 自定义输入)
expanding(min_periods = 自定义输入)
第n个元素的值将是n，n-1，n-2…’1’这n个元素的平均值
类似的函数还有：
sum() 函数 与 consum() 函数 的区别
cummax, cumsum, cumprod 函数是典型的类扩张窗口函数，
代码段1：
import pandas as pd
s = pd.Series([1,2,3,4,5])
expanding = s.expanding(min_periods=3)
print(expanding.mean())
运行结果：
0 NaN
1 NaN
2 2.0
3 2.5
4 3.0
dtype: float64
代码段2：
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(10, 4),
index = pd.date_range('1/1/2018', periods=10),
columns = ['A', 'B', 'C', 'D'])
print (df.expanding(min_periods=3).mean())
指数加权窗口 ewm
指数 exp()
权重 weight
移动 move
因此组成 ewm() = 指数权重移动起来 = 指数加权移动窗口 （个人理解）
常用的设置参数：
com，span，halflife，alpha (最重要的参数)
import pandas as pd
import numpy as np
df = pd.DataFrame({'T': [0, 1, 2, np.nan, 4]})
print(df)
df1 = df.ewm(com=0.5).mean()
print(df1)
#Specifying times with a timedelta halflife when computing mean
times = pd.date_range(start='2020-12-19', periods=5)
df2 = df.ewm(halflife='4 days', times=pd.DatetimeIndex(times)).mean()
print(df2)
T
0 0.0
1 1.0
2 2.0
3 NaN
4 4.0
T
0 0.000000
1 0.750000
2 1.615385
3 1.615385
4 3.670213
T
0 0.000000
1 0.543214
2 1.114950
3 1.114950
4 2.144696
Recommend
-
37
-
79
什么是窗口函数？ 一个窗口函数在一系列与当前行有某种关联的表行上执行一种计算。这与一个聚集函数所完成的计算有可比之处。但是窗口函数并不会使多行被聚集成一个单独的输出行，这与通常的非窗口聚集函数不同。取而代之，行...
-
30
-
32
SQL:2003 是 SQL 标准的第四个修订版， 该版本引入了若干新特性，其中便包括窗口函数 (SQL Window Function)。在 Oracle 数据库中窗口函数被称作『分析函数』（Analytics Functions）， 其他主流数据库产品也都有各自的实现。MySQL 于版...
-
8
TimothyQiu's Blog原来除了 Modern C++、Modern CMake，我们还有 Modern SQL，真是佩服这种文艺复兴式的 branding。 窗口函数（Window Function）就是一个例子，它由 SQL:2003 引入，可以用来筛选结果集中与当前行存在指定关联的行。相比子查询，效率更...
-
7
窗口函数是对Hive的一项增强，用来更方便地分析离线数据。窗口函数的使用场景非常之多，包括去重、排名、分组求和等等。本文希望尽可能全面的归纳窗口函数的用法，以便日后的查阅。 基本用法模式 <FUNCTION>(<params>) OVER...
-
9
SQL 窗口函数窗口函数形如：表达式 OVER (PARTITION BY 分组字段 ORDER BY 排序字段)有两个能力：当表达式为 rank() dense_rank()
-
7
什么是窗口函数 相信很多人都比较熟悉 SQL 聚合函数的语法，比如 count(), sum(), max()等， 窗口函数类似聚合函数，不同的是窗口函数不改变原有的行。 窗口函数是数据分析和数据开发必备的技能。 基本语法：<窗口函数&...
-
6
教程：使用SQL窗口函数做商务分析 原文 statsbot 是一家商业智能公司，本文翻译自它的博客，原文使用PostgreSQL，本文改用MySQL（语法和原文略有不同，并且要求MySQL8），并...
-
4
WordPress Hosting...
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK