微信公众号：数据皮皮侠
如果你觉得该公众号对你有帮助，欢迎关注、推广和宣传
内容目录：时间序列 Python实现
时间序列——Pandas滑动窗口：简介详细教程
时间序列——Pandas滑动窗口：简介
详细教程
····为了提升数据的准确性，将某个点的取值扩大到包含这个点的一段区间，用区间来进行判断，这个区间就是窗口。例如想使用2019年1月1日的一个数据，单取这个时间点的数据当然是可行的，但是太过绝对，有没有更好的办法呢？可以选取2018年12月16日到2019年1月15日，通过求均值来评估1月1日这个点的值，2018-12-16到2019-1-15就是一个窗口，窗口的长度window=30.
·····移动窗口就是窗口向一端滑行，默认是从右往左，每次滑行并不是区间整块的滑行，而是一个单位一个单位的滑行。例如窗口2018-12-16到2019-1-15，下一个窗口并不是2019-1-15到2019-2-15，而是2018-12-17到2019-1-16（假设数据的截取是以天为单位），整体向右移动一个单位，而不是一个窗口。这样统计的每个值始终都是30单位的均值。
····也就是我们在统计学中的移动平均法。
import matplotlib.pylab
import numpy as np
import pandas as pd
指定六百个数据的序列：
df = pd.Series(np.random.randn(600), index = pd.date_range('7/1/2019', freq = 'D', periods = 600))
df.head()
显示结果：
2019-07-01 0.072234
2019-07-02 -0.108435
2019-07-03 0.949843
2019-07-04 -0.204133
2019-07-05 0.065032
Freq: D, dtype: float64
指定该序列一个单位长度为10的滑块:
r = df.rolling(window = 10)
r
Rolling [window=10,center=False,axis=0]
输出滑块内的平均值，窗口中的值从覆盖整个窗口的位置开始产生，在此之前即为NaN,举例如下：窗口大小为10，前9个都不足够为一个一个窗口的长度，因此都无法取值。
#r.max, r.median, r.std, r.skew, r.sum, r.var
print(r.mean())
显示结果：
2019-07-01 NaN
2019-07-02 NaN
2019-07-03 NaN
2019-07-04 NaN
2019-07-05 NaN
...
2021-02-15 0.016631
2021-02-16 0.216708
2021-02-17 0.488198
2021-02-18 0.415350
2021-02-19 0.390343
Freq: D, Length: 600, dtype: float64
通过画图库来看原始序列与滑动窗口产生序列的关系图，原始数据用红色表示，移动平均后数据用蓝色点表示：
import matplotlib.pyplot as plt
%matplotlib inline
plt.figure(figsize=(15, 5))
df.plot(style='r--')
df.rolling(window=10).mean().plot(style='b')
显示结果：
可以看到，原始值浮动差异较大，而移动平均后数值较为平稳。
