Pandas2.2 Series
Function application, GroupBy & window
| 方法 | 描述 |
|---|---|
| Series.apply() | 用于将一个函数应用到 Series 的每个元素或整个 Series |
| Series.agg() | 用于对 Series 数据进行聚合操作 |
| Series.aggregate() | 用于对 Series 数据进行聚合操作 |
| Series.transform() | 用于对 Series 数据进行转换操作 |
| Series.map() | 用于将 Series 中的每个元素映射为新的值 |
| Series.groupby() | 用于根据一个或多个键对 Series 进行分组 |
| Series.rolling() | 用于创建一个滚动窗口对象（Rolling Window Object） |
pandas.Series.rolling
pandas.Series.rolling 是 Pandas 库中 Series 对象的一个方法，用于创建一个滚动窗口对象（Rolling Window Object）。通过这个对象，可以对 Series 数据进行滚动窗口操作，如计算移动平均、移动标准差等。滚动窗口操作在时间序列分析和数据平滑处理中非常有用。
方法签名
python
Series.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None, method='single')window: 窗口大小，指定每个窗口包含的元素数量。可以是整数或偏移量。min_periods: 最小观测值数量，默认为None，表示等于window的大小。如果窗口中的非NaN值少于min_periods，则结果为NaN。center: 是否将窗口居中，默认为False，表示窗口向后滚动；如果设置为True，则窗口居中。win_type: 窗口类型，默认为None，表示使用矩形窗口。可以指定其他类型的窗口（如'boxcar','triang','blackman','hamming','bartlett','parzen','bohman','blackmanharris','nuttall','barthann','kaiser','gaussian','general_gaussian','slepian','dpss'）。on: 指定按哪个列的时间戳进行滚动，默认为None。仅适用于DataFrame。axis: 指定轴，默认为 0，表示沿索引方向进行滚动。closed: 指定窗口的边界是否包括端点，默认为None。可选值有'right','left','both','neither'。method: 计算方法，默认为'single'，表示单遍计算；也可以设置为'table'，表示表格计算。
主要特点
- 滚动窗口：支持固定大小的滚动窗口操作。
- 多种窗口类型：支持不同类型的窗口函数，适用于不同的应用场景。
- 灵活配置：可以通过参数控制窗口大小、最小观测值数量、窗口位置等。
- 时间序列支持：特别适用于时间序列数据的平滑处理和趋势分析。
示例及结果
示例1：基本滚动窗口操作
python
import pandas as pd
# 创建一个 Series
s = pd.Series([1, 2, 3, 4, 5])
# 使用 rolling 方法创建滚动窗口，并计算移动平均
result = s.rolling(window=2).mean()
print("基本滚动窗口操作结果:")
print(result)输出结果：
python
基本滚动窗口操作结果:
0 NaN
1 1.5
2 2.5
3 3.5
4 4.5
dtype: float64在这个例子中，rolling(window=2) 创建了一个大小为 2 的滚动窗口，并对每个窗口内的元素计算了平均值。第一个元素没有足够的前驱元素形成窗口，因此结果为 NaN。
示例2：指定最小观测值数量
python
import pandas as pd
# 创建一个 Series
s = pd.Series([1, 2, 3, 4, 5])
# 使用 rolling 方法创建滚动窗口，并指定最小观测值数量
result = s.rolling(window=2, min_periods=1).mean()
print("指定最小观测值数量结果:")
print(result)输出结果：
python
指定最小观测值数量结果:
0 1.0
1 1.5
2 2.5
3 3.5
4 4.5
dtype: float64在这个例子中，min_periods=1 表示即使窗口内只有一个非 NaN 值，也会计算结果。因此，第一个元素的结果不再是 NaN，而是其自身值。
示例3：居中窗口
python
import pandas as pd
# 创建一个 Series
s = pd.Series([1, 2, 3, 4, 5])
# 使用 rolling 方法创建居中窗口，并计算移动平均
result = s.rolling(window=3, center=True).mean()
print("居中窗口结果:")
print(result)输出结果：
python
居中窗口结果:
0 NaN
1 2.0
2 3.0
3 4.0
4 NaN
dtype: float64在这个例子中，center=True 表示窗口居中，即窗口中心位于当前元素。因此，第一个和最后一个元素没有足够的前后元素形成完整窗口，结果为 NaN。
示例4：使用不同窗口类型
python
import pandas as pd
# 创建一个 Series
s = pd.Series([1, 2, 3, 4, 5])
# 使用 rolling 方法创建滚动窗口，并指定窗口类型
result = s.rolling(window=3, win_type='triang').mean()
print("使用不同窗口类型结果:")
print(result)输出结果：
python
使用不同窗口类型结果:
0 NaN
1 NaN
2 2.0
3 3.0
4 4.0
dtype: float64在这个例子中，win_type='triang' 指定了三角窗函数，窗口内的权重分布为三角形，从而影响了移动平均的计算结果。
示例5：时间序列滚动窗口
python
import pandas as pd
# 创建一个带有时间戳索引的 Series
dates = pd.date_range('2023-01-01', periods=5)
s = pd.Series([1, 2, 3, 4, 5], index=dates)
# 使用 rolling 方法按时间戳滚动，并计算移动平均
result = s.rolling('2D').mean()
print("时间序列滚动窗口结果:")
print(result)输出结果：
python
时间序列滚动窗口结果:
2023-01-01 1.0
2023-01-02 1.5
2023-01-03 2.5
2023-01-04 3.5
2023-01-05 4.5
Freq: D, dtype: float64在这个例子中，rolling('2D') 表示按两天的时间窗口进行滚动，并对每个窗口内的元素计算了平均值。
总结
pandas.Series.rolling 方法在数据分析和处理中非常有用，特别是在需要对时间序列数据进行平滑处理和趋势分析时。它支持多种窗口类型、灵活配置窗口大小和位置，并且可以与聚合函数结合使用以实现复杂的滚动窗口操作。通过这些示例，可以看到 rolling() 方法在不同场景下的应用及其强大功能。
请注意，rolling 方法通常与其他聚合函数（如 mean, sum, std 等）结合使用，以实现更复杂的数据分析任务。