pandas时间移动计算|极客笔记

pandas时间移动计算

在数据分析和处理中，经常会遇到需要对时间序列数据进行移动操作，例如计算时间窗口内的均值、求和等。Pandas提供了非常方便的时间移动计算功能，让我们能够轻松实现这些操作。

时间序列数据的加载

首先我们需要加载时间序列数据，通常我们会使用Pandas中的DataFrame来存储时间序列数据。下面通过示例代码来加载一个含有时间序列数据的DataFrame：

import pandas as pd

# 创建一个时间序列数据
data = {'date': pd.date_range('20220101', periods=10),
        'value': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]}
df = pd.DataFrame(data)
df.set_index('date', inplace=True)

print(df)

运行上述代码，我们可以看到输出的DataFrame如下：

            value
date             
2022-01-01      1
2022-01-02      2
2022-01-03      3
2022-01-04      4
2022-01-05      5
2022-01-06      6
2022-01-07      7
2022-01-08      8
2022-01-09      9
2022-01-10     10

时间移动计算

移动平均值

Pandas提供了rolling方法来实现时间移动计算，我们可以使用rolling方法来计算移动平均值。下面通过示例代码来计算窗口大小为3的移动平均值：

# 计算移动平均值
df['moving_avg'] = df['value'].rolling(window=3).mean()

print(df)

运行上述代码，我们可以看到输出的DataFrame中新增了一个moving_avg列，存储了窗口大小为3的移动平均值：

            value  moving_avg
date                         
2022-01-01      1         NaN
2022-01-02      2         NaN
2022-01-03      3    2.000000
2022-01-04      4    3.000000
2022-01-05      5    4.000000
2022-01-06      6    5.000000
2022-01-07      7    6.000000
2022-01-08      8    7.000000
2022-01-09      9    8.000000
2022-01-10     10    9.000000

移动求和

除了计算移动平均值，我们也可以使用rolling方法来计算移动求和。下面通过示例代码来计算窗口大小为2的移动求和：

# 计算移动求和
df['moving_sum'] = df['value'].rolling(window=2).sum()

print(df)

运行上述代码，我们可以看到输出的DataFrame中新增了一个moving_sum列，存储了窗口大小为2的移动求和值：

            value  moving_avg  moving_sum
date                                      
2022-01-01      1         NaN         NaN
2022-01-02      2         NaN         NaN
2022-01-03      3    2.000000         3.0
2022-01-04      4    3.000000         7.0
2022-01-05      5    4.000000         9.0
2022-01-06      6    5.000000        11.0
2022-01-07      7    6.000000        13.0
2022-01-08      8    7.000000        15.0
2022-01-09      9    8.000000        17.0
2022-01-10     10    9.000000        19.0