可变大小滚动窗口回归答案

【问题标题】：variable size rolling window regression可变大小滚动窗口回归
【发布时间】：2013-07-01 06:53:36
【问题描述】：

在 Pandas OLS 中，窗口大小是固定长度。如何实现基于索引而不是行数设置窗口大小？

我有一个系列，其中每天有可变数量的观察，我有 10 年的数据历史，所以我想在 1 年的滚动窗口上运行滚动 OLS。循环遍历每个日期有点太慢了，无论如何让它更快？这是数据的示例。

  Date     x      y
2008-1-2  10.0    2
2008-1-2  5.0     1
2008-1-3  7.0   1.5
2008-1-5  9.0   3.0
...
2013-5-30 11.0  2.5

我想要像pandas.ols(df.y, df.x, window='1y') 这样简单的东西，而不是循环每一行，因为循环会很慢。

【问题讨论】：

标签： pandas

【解决方案1】：

model = pandas.ols(y=df.y, x=df.x, window=250)

您只需提供您的周期是帧上的间隔数而不是“1y”。还有许多其他选项可能对您的数据有用。

所有滚动 ols 统计信息都在 model

model.beta.plot()

显示滚动测试版

【讨论】：

这不是正确的答案。我知道这个函数，但这个函数不能像我描述的那样工作，因为在我的例子中，滚动窗口的大小可能每天都不同（一天中的观察点比另一天多）。
理解...虽然这在数学上是否有意义.. 我猜想在某些时候有更多的样本点（在时间上紧密分组）并不会使那个时期比只有 1 个样本的时期更重要?
根据您的数据对先前评论的适用性，您可以使用重新采样到固定周期...如果您将其提供给 ols，则绝对不会填充空白
是的，这就是我所做的（确保每天都有相同数量的观察）。唯一的问题是为了保证准确性，重新采样的数据必须等于滚动窗口均值的均值，这是一个缓慢的过程。这就是为什么我认为如果有办法按索引指定窗口，那将是可取的。
从 pandas 文档看来，没有手动切片/迭代的方法可以做到这一点，我使用生成器来做类似的事情（mith 矩阵 alegra），但显然会影响性能。让我们看看是否有人有办法强制使用 pandas 方法。