pandas.Series.rolling # 系列。滚动( window , min_periods = None , center = False , win_type = None , on = None , axis = _NoDefault.no_default , close = None , step = None , method = 'single' ) [来源] # 提供滚动窗口计算。 参数： window int、timedelta、str、offset 或 BaseIndexer 子类移动窗口的大小。 如果是整数，则表示每个窗口使用的固定观测值数量。 如果是 timedelta、str 或 offset，则为每个窗口的时间段。每个窗口的大小将根据该时间段内包含的观察结果而变化。这仅对 datetimelike 索引有效。要了解有关偏移和频率字符串的更多信息，请参阅此链接。 如果是 BaseIndexer 子类，则窗口边界基于定义的get_window_bounds方法。其他滚动关键字参数，即min_periods、center和closed将 step传递给get_window_bounds。 min_periods int，默认无窗口中需要有值的最小观测值数量；否则，结果为np.nan. 对于由偏移量指定的窗口，min_periods将默认为 1。 对于由整数指定的窗口，min_periods将默认为窗口的大小。 中心布尔值，默认 False如果为 False，则将窗口标签设置为窗口索引的右边缘。 如果为 True，则将窗口标签设置为窗口索引的中心。 win_type str，默认无如果None，则所有点均等加权。 如果是字符串，则它必须是有效的scipy.signal 窗口函数。 某些 Scipy 窗口类型需要在聚合函数中传递附加参数。附加参数必须与 Scipy 窗口类型方法签名中指定的关键字匹配。 在str 上，可选对于 DataFrame，是计算滚动窗口的列标签或索引级别，而不是 DataFrame 的索引。 由于不使用整数索引来计算滚动窗口，因此提供的整数列将被忽略并从结果中排除。 axis int 或 str，默认 0如果0或'index'，则滚动各行。 如果1或'columns'，则滚动各列。 对于系列，此参数未使用，默认为 0。 自版本 2.1.0 起已弃用： axis 关键字已弃用。对于axis=1，首先转置 DataFrame。 闭合str，默认 None如果'right'，则窗口中的第一个点将从计算中排除。 如果'left'，则窗口中的最后一个点将从计算中排除。 如果'both'，则将窗口中的所有点排除在计算之外。 如果'neither'，则窗口中的第一个点和最后一个点将从计算中排除。 默认None（'right'）。 步骤int，默认无 1.5.0 版本中的新增内容。 对每个结果评估窗口step，相当于切片为 [::step]。window必须是整数。使用除 None 或 1 之外的步骤参数将产生形状与输入不同的结果。 方法str {'single', 'table'}, 默认 'single' 1.3.0 版本中的新增功能。 'single'对单个列或行 ( ) 或整个对象 ( )执行滚动操作'table'。 engine='numba' 仅当在方法调用中指定时才会实现此参数。 返回： pandas.api.typing.Window 或 pandas.api.typing.Rollingwin_type如果传递，则返回 Window 的实例。否则，返回 Rolling 的实例。 也可以看看 expanding提供扩展的转换。 ewm提供指数加权函数。 笔记 有关更多使用详细信息和示例，请参阅窗口操作。 例子 >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df B 0 0.0 1 1.0 2 2.0 3 NaN 4 4.0 窗户 窗口长度为 2 个观测值的滚动总和。 >>> df.rolling(2).sum() B 0 NaN 1 1.0 2 3.0 3 NaN 4 NaN 窗口跨度为 2 秒的滚动总和。 >>> df_time = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ... index=[pd.Timestamp('20130101 09:00:00'), ... pd.Timestamp('20130101 09:00:02'), ... pd.Timestamp('20130101 09:00:03'), ... pd.Timestamp('20130101 09:00:05'), ... pd.Timestamp('20130101 09:00:06')]) >>> df_time 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 >>> df_time.rolling('2s').sum() 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 使用具有 2 个观察值的前瞻性窗口滚动求和。 >>> indexer = pd.api.indexers.FixedForwardWindowIndexer(window_size=2) >>> df.rolling(window=indexer, min_periods=1).sum() B 0 1.0 1 3.0 2 2.0 3 4.0 4 4.0 最短周期 窗口长度为 2 个观测值的滚动总和，但只需要最少 1 个观测值即可计算值。 >>> df.rolling(2, min_periods=1).sum() B 0 0.0 1 1.0 2 3.0 3 2.0 4 4.0 中心 滚动总和，并将结果分配给窗口索引的中心。 >>> df.rolling(3, min_periods=1, center=True).sum() B 0 1.0 1 3.0 2 3.0 3 6.0 4 4.0 >>> df.rolling(3, min_periods=1, center=False).sum() B 0 0.0 1 1.0 2 3.0 3 3.0 4 6.0 步 滚动总和，窗口长度为 2 个观测值，最少 1 个观测值来计算值，步长为 2。 >>> df.rolling(2, min_periods=1, step=2).sum() B 0 0.0 2 3.0 4 4.0 赢类型 'gaussian' 使用 Scipy窗口类型，窗口长度为 2 的滚动总和。std在聚合函数中是必需的。 >>> df.rolling(2, win_type='gaussian').sum(std=3) B 0 NaN 1 0.986207 2 2.958621 3 NaN 4 NaN 在 窗口长度为 2 天的滚动总和。 >>> df = pd.DataFrame({ ... 'A': [pd.to_datetime('2020-01-01'), ... pd.to_datetime('2020-01-01'), ... pd.to_datetime('2020-01-02'),], ... 'B': [1, 2, 3], }, ... index=pd.date_range('2020', periods=3)) >>> df A B 2020-01-01 2020-01-01 1 2020-01-02 2020-01-01 2 2020-01-03 2020-01-02 3 >>> df.rolling('2D', on='A').sum() A B 2020-01-01 2020-01-01 1.0 2020-01-02 2020-01-01 3.0 2020-01-03 2020-01-02 6.0