移动窗口函数

统计和其他通过移动窗口或指数衰减而运行的函数是用于时间序列操作的数组变换的一个重要类别。这对平滑噪声或粗糙的数据非常有用。称这些函数为移动窗口函数，尽管它也包含了一些没有固定长度窗口的函数，比如指数加权移动平均。与其他的统计函数类似，这些函数会自动排除缺失数据。

在深入了解之前，可以先载入一些时间序列数据并按照工作日频率进行重新采样：

介绍rolling算子，它的行为与resample和groupby类似。rolling可以在Series或DataFrame上通过一个window进行调用。

表达式rolling(250)与groupby的行为类似，但是它创建的对象是根据250日滑动窗口分组的而不是直接分组。因此这里我们获得了苹果公司股票价格的250日移动窗口平均值。

默认情况下，滚动函数需要窗口中所有的值必须是非NA值。

在DataFrame上调用一个移动窗口函数会将变换应用到每一列上

rolling函数也接收表示固定大小的时间偏置字符串，而不只是一个区间的集合数字。对不规则时间序列使用注释非常有用。这些字符串可以传递给resample。

1、指数加权函数

指定一个常数衰减因子以向更多近期观测值提供更多权重，可以替代使用具有相等加权观察值的静态窗口尺寸的方法。有多种方式可以指定衰减因子。其中一种流行的方式是使用一个span（跨度），这使得结果与窗口大小等于跨度的简单移动窗口函数。

由于指数加权统计值给更近期的观测值以更多的权重，与等权重的版本相比，它对变化“适应”得更快。

pandas拥有ewm算子，同rolling、expanding算子一起使用。

2、二元移动窗口函数

一些统计算子，例如相关度和协方差，需要操作两个时间序列。

在调用rolling后，corr聚合函数可以根据spx_rets计算滚动相关性

假设想要一次性计算多只股票与标普500的相关性。编写循环并创建一个新的DataFrame是简单的但可能也是重复性的。

3、用户自定义的移动窗口函数

在rolling及其相关方法上使用apply方法提供了一种在移动窗口中应用自己设计的数组函数的方法。唯一的要求是该函数从每个数组中产生一个单值（缩聚）。例如，尽管可以使用rolling(…).quantile(q)计算样本的分位数，但可能会对样本中特定值的百分位数感兴趣。scipy.stats.percentileofscore函数就是实现这个功能的：

重新采样与频率转换 Python pandas分类数据

评论区（0）

移动窗口函数