pandas实现滑动窗口的示例代码

本文主要介绍了pandas实现滑动窗口的示例代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

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