Pandas Time Series Sliding window

Time series data Statistics-sliding window window functions

import pandas as pdimport numpy as npser_obj = pd.Series(np.random.randn(1000),                     index=pd.date_range('20180101', periods=1000))ser_obj = ser_obj.cumsum()print(ser_obj.head())

2018-01-01    0.7973342018-01-02    0.4512862018-01-03    1.3291332018-01-04    0.4165772018-01-05    0.610993Freq: D, dtype: float64

r_obj = ser_obj.rolling(window=5)r_obj2 = ser_obj.rolling(window=5, center=True)print(r_obj)

Rolling [window=5,center=False,axis=0]

  print (R_obj2.mean ()) # Verify: # The mean value of the first 5 data # print (Ser_obj[0:5].mean ()) # 1-6 data mean # print (ser_obj [1:6].mean ())  

2018-01-01 nan2018-01-02 nan2018-01-03 0.7210652018-01-04 0.8293522018-01-05 0.6941212018-01     -06 0.2754952018-01-07 0.1492142018-01-08 0.4177342018-01-09 0.5204582018-01-10 1.0345062018-01-11 1.8124172018-01-12 2.4574102018-01-13 2.8099962018-01-14 3.0464432018-01-15 2.8382092018-01-16 2.4578 222018-01-17 2.1485082018-01-18 1.6478872018-01-19 1.0832202018-01-20 1.0135252018-01-21 0.9418502018-    01-22 0.7657512018-01-23 0.7035812018-01-24 0.7446162018-01-25 0.3017102018-01-26-0.1685972018-01-27    -0.8517262018-01-28-1.6212992018-01-29-2.5388152018-01-30-3.251647 ... 2020-08-28-50.5811432020-08-29-51.8263802020-08-30-52.9502752020-08-31-53.4123392020-09-01-53.8242062020-09 -02-54.0998402020-09-03-54.1402192020-09-04-54.2159372020-09-05-54.2428182020-09-06-53.9086752020-09-07- 53.4938512020-09-08-53.2099432020-09-09  -52.9427182020-09-10-53.0385472020-09-11-53.1880282020-09-12-53.7311452020-09-13-54.0918792020-09-14-54.8 671722020-09-15-55.2022942020-09-16-55.4405562020-09-17-54.9264392020-09-18-54.6196632020-09-19-54.12837620 20-09-20-54.2745262020-09-21-54.5274632020-09-22-55.3828802020-09-23-56.3091922020-09-24-57.4229082020-09-2 5 nan2020-09-26 nanfreq:d, length:1000, Dtype:float64

  print (R_obj2.mean ())  
 

2018-01-01 nan2018-01-02 nan2018-01-03 0.7210652018-01-04 0.8293522018-01-05 0.6941212018-01     -06 0.2754952018-01-07 0.1492142018-01-08 0.4177342018-01-09 0.5204582018-01-10 1.0345062018-01-11 1.8124172018-01-12 2.4574102018-01-13 2.8099962018-01-14 3.0464432018-01-15 2.8382092018-01-16 2.4578 222018-01-17 2.1485082018-01-18 1.6478872018-01-19 1.0832202018-01-20 1.0135252018-01-21 0.9418502018-    01-22 0.7657512018-01-23 0.7035812018-01-24 0.7446162018-01-25 0.3017102018-01-26-0.1685972018-01-27    -0.8517262018-01-28-1.6212992018-01-29-2.5388152018-01-30-3.251647 ... 2020-08-28-50.5811432020-08-29-51.8263802020-08-30-52.9502752020-08-31-53.4123392020-09-01-53.8242062020-09 -02-54.0998402020-09-03-54.1402192020-09-04-54.2159372020-09-05-54.2428182020-09-06-53.9086752020-09-07- 53.4938512020-09-08-53.2099432020-09-09  -52.9427182020-09-10-53.0385472020-09-11-53.1880282020-09-12-53.7311452020-09-13-54.0918792020-09-14-54.8 671722020-09-15-55.2022942020-09-16-55.4405562020-09-17-54.9264392020-09-18-54.6196632020-09-19-54.12837620 20-09-20-54.2745262020-09-21-54.5274632020-09-22-55.3828802020-09-23-56.3091922020-09-24-57.4229082020-09-2 5 nan2020-09-26 nanfreq:d, length:1000, Dtype:float64

# 画图查看import matplotlib.pyplot as plt%matplotlib inlineplt.figure(figsize=(15, 5))ser_obj.plot(style='r--')ser_obj.rolling(window=10, center=False).mean().plot(style='g')ser_obj.rolling(window=10, center=True).mean().plot(style='b')

Pandas Time Series Sliding window