mars.dataframe.DataFrame.rolling#

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

提供滚动窗口计算。

Parameters

  • window (int, 或 offset) – 移动窗口的大小。这是用于计算统计量的观测值数量。每个窗口将具有固定的大小。如果是偏移量，那么这将是每个窗口的时间段。每个窗口的大小将基于包含在时间段中的观测值而变化。这仅对日期时间类索引有效。这是0.19.0中的新功能。

  • min_periods (int, default None) – 窗口中所需的最小观察值数，以获得一个值（否则结果为NA）。对于通过偏移量指定的窗口，min_periods 默认为1。否则，min_periods 默认为窗口的大小。

  • center (bool, default False) – 将标签设置在窗口的中心。

  • win_type (str, 默认为 None) – 提供一个窗口类型。如果 None，则所有点的权重相等。 有关更多信息，请参阅下面的注释。

  • on (str, 可选) – 对于一个 DataFrame，计算滚动窗口的 datetime 类列，而不是 DataFrame 的索引。提供的整数列被忽略并从结果中排除，因为不使用整数索引来计算滚动窗口。

  • 轴 (整型 或 字符串, 默认值 0) –

  • closed (str, 默认 None) – 使区间在“右”、“左”、“两者”或“都不”端点上闭合。 对于基于偏移的窗口，它默认为“右”。 对于固定窗口，默认为“两者”。 其余情况未为固定窗口实现。

Return type

用于特定操作的窗口或滚动子类

另请参阅

扩展

提供扩展变换。

ewm

提供指数加权函数。

备注

默认情况下，结果设置在窗口的右边缘。通过设置 center=True 可以将其更改为窗口的中心。要了解更多关于偏移量和频率字符串的信息，请参见 this link。

识别的 win_types 包括： * boxcar * triang * blackman * hamming * bartlett * parzen * bohman * blackmanharris * nuttall * barthann * kaiser （需要 beta） * gaussian （需要 std） * general_gaussian （需要 power，width） * slepian （需要 width） * exponential （需要 tau），中心设置为 None。

如果 win_type=None 所有点的权重都是均匀的。要了解有关不同窗口类型的更多信息，请查看 scipy.signal window functions。

示例

>>> import numpy as np
>>> import mars.dataframe as md
>>> df = md.DataFrame({'B': [0, 1, 2, np.nan, 4]})
>>> df.execute()
     B
0  0.0
1  1.0
2  2.0
3  NaN
4  4.0

使用“triang”窗口类型，窗口长度为2的滚动和。

>>> df.rolling(2, win_type='triang').sum().execute()
     B
0  NaN
1  0.5
2  1.5
3  NaN
4  NaN

具有窗口长度为2的滚动总和，min_periods 默认为窗口长度。

>>> df.rolling(2).sum().execute()
     B
0  NaN
1  1.0
2  3.0
3  NaN
4  NaN

与上面相同，但明确设置 min_periods

>>> df.rolling(2, min_periods=1).sum().execute()
     B
0  0.0
1  1.0
2  3.0
3  2.0
4  4.0

一个不规则（意味着不是常规频率）的时间索引的DataFrame

>>> df = md.DataFrame({'B': [0, 1, 2, np.nan, 4]},
>>>                   index = [md.Timestamp('20130101 09:00:00'),
>>>                            md.Timestamp('20130101 09:00:02'),
>>>                            md.Timestamp('20130101 09:00:03'),
>>>                            md.Timestamp('20130101 09:00:05'),
>>>                            md.Timestamp('20130101 09:00:06')])
>>> df.execute()
                       B
2013-01-01 09:00:00  0.0
2013-01-01 09:00:02  1.0
2013-01-01 09:00:03  2.0
2013-01-01 09:00:05  NaN
2013-01-01 09:00:06  4.0

与整数滚动窗口不同，这将滚动一个对应于时间段的可变长度窗口。 min_periods的默认值为1。

>>> df.rolling('2s').sum().execute()
                       B
2013-01-01 09:00:00  0.0
2013-01-01 09:00:02  1.0
2013-01-01 09:00:03  3.0
2013-01-01 09:00:05  NaN
2013-01-01 09:00:06  4.0