如何在熊猫中使用滚动？

Question

我正在编写以下代码：

# Resample, interpolate and inspect ozone data here
data = data.resample('D').interpolate()
data.info()
# Create the rolling window
***rolling = data.rolling(360)['Ozone']

# Insert the rolling quantiles to the monthly returns
data['q10'] = rolling.quantile(.1)
data['q50'] = rolling.quantile(.5)
data['q90'] = rolling.quantile(.9)
# Plot the data
data.plot()
plt.show()

对于星号线 (***)，我想知道，我可以使用以下代替吗？

data['Ozone'].rolling(360)

为什么下面的表达式是False？

data.rolling(360)['Ozone']==data['Ozone'].rolling(360)

它们有什么区别？

Answer 1

• data.rolling(360)['Ozone'] & data['Ozone'].rolling(360) 可以互换使用，但需要使用聚合方法进行比较，如.mean，使用pandas.DataFrame.equal进行比较。
• .rolling 方法需要 window，或用于计算的观察数。下例中window、10中的值用NaN填充。
• pandas.DataFrame.rolling
• pandas.Series.rolling
• df.rolling(10)['A']) & df['A'].rolling(10) 是 pandas.core.window.rolling.Rolling 类型，无法比较。
  • 有关.rolling 工作原理的更多详细信息，请参阅文档和How do pandas Rolling objects work?。
• Pandas: Window - 函数

import pandas as pd
import numpy as np

# test data and dataframe
np.random.seed(10)
df = pd.DataFrame(np.random.randint(20, size=(20, 1)), columns=['A'])

# this is pandas.DataFrame.rolling with a column selection
df.rolling(10)['A']
[out]:
Rolling [window=10,center=False,axis=0]

# this is pandas.Series.rolling
df['A'].rolling(10)
[out]:
Rolling [window=10,center=False,axis=0]

# see that the type is the same, pandas.core.window.rolling.Rolling
type(df.rolling(10)['A']) == type(df['A'].rolling(10))
[out]:
True

# the two implementations evaluate as False, when compared
df.rolling(10)['A'] == df['A'].rolling(10)
[out]:
False

• 一旦使用聚合方法，就可以比较对象。
  • 聚合.mean，我们可以看到window使用的值是NaN。
• df.rolling(10)['A'].mean() & df['A'].rolling(10).mean() 都是pandas.core.series.Series 类型，可以比较。

df.rolling(10)['A'].mean()
[out]:
0      NaN
1      NaN
2      NaN
3      NaN
4      NaN
5      NaN
6      NaN
7      NaN
8      NaN
9     12.3
10    12.2
11    12.1
12    12.3
13    11.1
14    12.1
15    12.3
16    12.3
17    12.0
18    11.5
19    11.9
Name: A, dtype: float64

df['A'].rolling(10).mean()
[out]:
0      NaN
1      NaN
2      NaN
3      NaN
4      NaN
5      NaN
6      NaN
7      NaN
8      NaN
9     12.3
10    12.2
11    12.1
12    12.3
13    11.1
14    12.1
15    12.3
16    12.3
17    12.0
18    11.5
19    11.9
Name: A, dtype: float64

• 它们的计算结果不同，因为 np.nan == np.nan 是 False。本质上，它们是相同的，但在将两者与== 进行比较时，NaN 的行评估为False。
• 但是，使用 pandas.DataFrame.equals 会将同一位置的 NaN 视为相等。

# row by row evaluation
df.rolling(10)['A'].mean() == df['A'].rolling(10).mean()
[out]:
0     False
1     False
2     False
3     False
4     False
5     False
6     False
7     False
8     False
9      True
10     True
11     True
12     True
13     True
14     True
15     True
16     True
17     True
18     True
19     True
Name: A, dtype: bool

# overall comparison
all(df.rolling(10)['A'].mean() == df['A'].rolling(10).mean())
[out]:
False

# using pandas.DataFrame.equals
df.rolling(10)['A'].mean().equals(df['A'].rolling(10).mean())
[out]:
True