pandas.core.groupby.SeriesGroupBy.rolling

SeriesGroupBy.rolling(window, min_periods=None, center=False, win_type=None, on=None, closed=None, method='single')

返回一个滚动分组器，为每个组提供滚动功能。

参数:

窗口int, timedelta, str, offset, 或 BaseIndexer 子类

移动窗口的大小。

如果是整数，则为每个窗口使用的固定观测数。

如果是一个 timedelta、str 或 offset，每个窗口的时间周期。每个窗口的大小将根据时间周期内包含的观测值而变化。这仅对类日期时间索引有效。要了解更多关于偏移量和频率字符串的信息，请参见 此链接。

如果是一个 BaseIndexer 子类，基于定义的 get_window_bounds 方法的窗口边界。额外的滚动关键字参数，即 min_periods、center、closed 和 step 将被传递给 get_window_bounds。

min_periodsint, 默认为 None

窗口中所需的最小观测数以获得一个值；否则，结果为 np.nan。

对于由偏移量指定的窗口，min_periods 将默认为 1。

对于由整数指定的窗口，min_periods 将默认为窗口的大小。

中心布尔值, 默认为 False

如果为 False，将窗口标签设置为窗口索引的右边缘。

如果为真，将窗口标签设置为窗口索引的中心。

win_typestr, 默认为 None

如果 None ，所有点都是均匀加权的。

如果是字符串，它必须是有效的 scipy.signal 窗口函数 。

某些 Scipy 窗口类型需要在聚合函数中传递额外的参数。这些额外参数必须与 Scipy 窗口类型方法签名中指定的关键字匹配。

开str, 可选

对于一个 DataFrame，一个列标签或索引级别，用于计算滚动窗口，而不是 DataFrame 的索引。

提供的整数列被忽略并从结果中排除，因为整数索引不用于计算滚动窗口。

关闭str, 默认为 None

如果 'right'，窗口中的第一个点将不包括在计算中。

如果 'left'，窗口中的最后一个点不包括在计算中。

如果 'both'，窗口中的点不会从计算中排除。

如果 'neither'，窗口中的第一个和最后一个点将不参与计算。

默认 None ('right')。

方法str {‘single’, ‘table’}, 默认 ‘single’

对每列或每行执行滚动操作 ('single') 或对整个对象执行 ('table')。

只有在方法调用中指定 engine='numba' 时，此参数才实现。

返回:

pandas.api.typing.RollingGroupby

返回一个带有我们滚动追加的新分组。

参见

Series.rolling

使用带有 Series 数据的调用对象。

DataFrame.rolling

使用 DataFrames 调用对象。

Series.groupby

对一个Series应用一个groupby函数。

DataFrame.groupby

应用一个函数 groupby。

例子

>>> df = pd.DataFrame(
...     {
...         "A": [1, 1, 2, 2],
...         "B": [1, 2, 3, 4],
...         "C": [0.362, 0.227, 1.267, -0.562],
...     }
... )
>>> df
      A  B      C
0     1  1  0.362
1     1  2  0.227
2     2  3  1.267
3     2  4 -0.562

>>> df.groupby("A").rolling(2).sum()
    B      C
A
1 0  NaN    NaN
  1  3.0  0.589
2 2  NaN    NaN
  3  7.0  0.705

>>> df.groupby("A").rolling(2, min_periods=1).sum()
    B      C
A
1 0  1.0  0.362
  1  3.0  0.589
2 2  3.0  1.267
  3  7.0  0.705

>>> df.groupby("A").rolling(2, on="B").sum()
    B      C
A
1 0  1    NaN
  1  2  0.589
2 2  3    NaN
  3  4  0.705