图解pandas的窗口函数rolling

公众号：尤而小屋 作者：Peter 编辑：Peter

大家好，我是Peter~

图解pandas的窗口函数rolling

在我们处理数据，尤其是和时间相关的数据中，经常会听到移动窗口、滑动窗口或者移动平均、窗口大小等相关的概念。

今天给大家介绍一个pandas中常用来处理滑动窗口的函数：rolling。这个函数极其重要，希望你花时间看完文章和整个图解过程。

本文关键词：pandas、滑动窗口、移动平均、rolling

模拟数据

首先导入两个常用的包，用于模拟数据：

In 1:

import numpy as np
import pandas as pd

模拟一份简单的数据

In 2:

data = pd.DataFrame({"col1": np.arange(10)})
data

rolling参数

下面是rolling函数的具体参数和解释：

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

• window：表示时间窗口的大小；可省略不写。两种形式：int和offset。如果使用int，数值表示计算统计量的观测值的数量即向前几个数据。如果是offset类型，表示时间窗口的大小
• min_periods：每个窗口内最少包含的观测值的数量，如果小于这个值的窗口，则结果为NA。值可以是int，默认None。offset情况下，默认为1。offset类型是专门针对时间类型
• center: 把窗口的标签设置为居中。布尔类型，默认False，向右对齐。
• win_type：窗口的类型。截取窗的各种函数。字符串类型，默认为None。
• on：可选参数；对于dataframe而言，指定要计算滚动窗口的列，值可以是dataframe中的列名。
• axis：int或者字符串；如果是0或者index，则按照行进行计算，如果是1或者columns，则按照列进行计算。默认是0，即对列进行计算
• closed：用于定义区间的开闭，支持int类型的窗口window。对于offset类型默认是左开右闭，即默认为right，也可以根据具体的情况指定为left、both等

更多的资料到官网学习地址：

https://pandas.pydata.org/docs/reference/window.html

https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.rolling.html

使用

一般在使用了移动窗口函数rolling之后，我们需要配合使用相关的统计函数，比如sum、mean、max等。使用最多的是mean函数，生成移动平均值。下面汇总了常用的统计相关函数：

参数window

使用3个滑动窗口，计算平均值。

In 3:

data.rolling(3).mean()   # 求均值

# 等效
# data.rolling(3, axis=0).mean() 

结果为：

如何通过图解的形式来理解？看下面的图示：

• 第一个元素0：往前数3个元素（包含本身），NaN、NaN、0；均值是NaN
• 第二个元素1：往前数3个元素（包含本身），NaN、1、1；均值为NaN
• 第三个元素2：往前数3个元素（包含本身），0、1、2；均值为( 0 + 1 + 2 ) / 3 = 1
• 第四个元素3：往前数3个元素（包含本身），1、2、3；均值为( 1 + 2 + 3 ) / 3 = 2
• 第五个元素4：往前数3个元素（包含本身），2、3、4；均值为( 2 + 3 + 4) / 3 = 3
• 以此类推…

如果是移动之后求和，也是同样的道理：

在这里需要注意的是：pandas或者numpy中的np.nan空值与其他数值相乘或者相加都是nan：

参数min_periods

如何理解参数min_periods？表示的是窗口里面的最小元素数量。min_periods必须小于等于window值

In 9:

data.rolling(3, min_periods=2).mean()   # 基于min_periods 求平均  

• 因为在第二个元素1这里，往前数刚好是两个元素，满足min_periods的值，所以能够进行求均值
• 从第三个元素开始，往前数都满足窗口的3个元素，直接求均值

注意：当min_periods的值大于窗口window的值时，则会报错：

参数center

如何理解参数center？表示的是以当前元素为中心，在上下两个方向进行滑窗然后进行统计计算：

In 11:

data.rolling(3, center=True).mean()   # 参数center + 窗口为奇数

具体的过程可以看下面的图解：

• 第一个元素0：以0为中心，移动3个元素为NaN、0、1，均值为NaN
• 第二个元素1：以1为中心，移动3个元素为0、1、2，均值为1
• 第三个元素2：以2为中心，移动3个元素为1、2、3，均值为2
• 以此类推...
• 最后一个元素9：以9为中心，移动3个元素为：8、9、NaN；均值为NaN

上面的例子是窗口为3（奇数）；如果窗口为偶数呢？

data.rolling(4, center=True).mean()   # 参数center + 窗口为偶数

具体解释的过程请参考下面的图示：

• 第一个元素0：以0为“中心”，往前移动2个元素为NaN、NaN，往后移动1个元素为1，NaN、NaN、0、1的均值为NaN
• 第二个元素1：以1为“中心”，往前移动2个元素为NaN、0，往后移动1个元素为2，NaN、0、1、2的均值为NaN
• 第三个元素2：以2为“中心”，往前移动2个元素为0、1，往后移动1个元素为3，0、1、2、3的均值为1.5
• 以此类推...
• 最后一个元素9：以9为“中心”，往前移动2个元素为7、8，往后移动一个元素为NaN，7、8、9、NaN的均值为NaN

参数center配合min_periods同时使用：

data.rolling(3, center=True, min_periods=2).mean()   # 参数center 

同样选择窗口为3：

• 除了第一个和最后一个元素不同；其他相同
• 因为存在min_periods=2，所以它们能够计算出结果，而不是NaN

参数closed

取值可以为right、left、both和neither

官网的详细解释：

• right：窗口中的第一个数据点从计算中删除（excluded）
• left：窗口中的最后一个数据点从计算中删除
• both：不删除或者排除任何数据点
• neither：第一个和最后一个数据点从计算中删除

取值1：right

先看看默认情况right

data.rolling(3).mean()   # 求均值

# 等效于下面的代码  默认是right
# data.rolling(3, closed="right").mean()   

解释过程为这张图：

取值2：left

如果将closed参数改为left呢？

取值3：both

如果取值是both：

data.rolling(3, closed="both").mean()   

上图的解释：

• 第一个元素0：往前最多window（3）+1 也就是4个元素，为NaN、NaN、NaN、0，均值为NaN
• 第二个元素1：往前最多也是4个元素，为NaN、NaN、0、1，均值为NaN
• 第三个元素2：往前最多也是4个元素，为NaN、0、1、2，但是此时窗口数是3，因此可以计算均值：(0+1+2)/3=1
• 第四个元素3：往前最多也是4个元素，为0、1、2、3，计算均值：(0+1+2+3)/4=1.5
• 以此类推...

取值4：neither

如果直接使用neither，结果全部为NaN：

解决bug：可以参考pandas官网的issue：https://github.com/pandas-dev/pandas/issues/39038

当close='neither'时，参数min_periods不等于n-1（n为窗口大小），而是等于n。

作为滚动计算的对象窗口里，却至多只剩n-1个值，达不到min_periods的最小窗口值 数（n）的要求。所以我们需要手动将min_periods设置成: n-1

具体的解释参考下面的图示：

• 第一个元素0：排除第一个和最后一个元素后，均为NaN，均值为NaN
• 第二个元素1：排除第一个和最后一个元素后，为NaN、0，均值为NaN
• 第三个元素2：排除第一个和最后一个元素后，为0、1，均值为0.5
• 第一个元素3：排除第一个和最后一个元素后，为1、2，均值为1.5
• 以此类推…