python统计窗口函数怎么处理_python移动窗口函数_音乐先声的博客-程序员宝宝

技术标签: python统计窗口函数怎么处理  

rolling_count 计算各个窗口中非NA观测值的数量

函数

pandas.rolling_count(arg, window, freq=None, center=False, how=None)

1

arg : DataFrame 或 numpy的ndarray 数组格式

window : 指移动窗口的大小,为整数

freq :

center : 布尔型,默认为False, 指取中间的

how : 字符串,默认为“mean”,为down- 或re-sampling

import pandas as pd

import numpy as np

df = pd.DataFrame({'key1':['a','a','b','b','a'], 'key2':['one','two','one','two','one'], 'data1':np.nan, 'data2':np.random.randn(5)}) df

1

2

3

4

5

6

7

8

9

a43085240e0fbd4aecda705e0e352b7f.png

pd.rolling_count(df[['data1','data2']],window = 3)

1

e56861c121d41c5bfd5b39b7c62d201f.png

rolling_sum 移动窗口的和

pandas.rolling_sum(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs)

1

arg : 为Series或DataFrame

window : 窗口的大小

min_periods : 最小的观察数值个数

freq :

center : 布尔型,默认为False, 指取中间的

how : 取值的方式,默认为None

pd.rolling_sum(df,window =2,min_periods = 1)

1

92bf152fa1c48100f74a527f290e1e61.png

rolling_mean 移动窗口的均值

pandas.rolling_mean(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs)

1

2

rolling_median 移动窗口的中位数

pandas.rolling_median(arg, window, min_periods=None, freq=None, center=False, how='median', **kwargs)

1

2

rolling_var 移动窗口的方差

pandas.rolling_var(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs)

1

rolling_std 移动窗口的标准差

pandas.rolling_std(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs)

1

rolling_min 移动窗口的最小值

pandas.rolling_min(arg, window, min_periods=None, freq=None, center=False, how='min', **kwargs)

1

rolling_max 移动窗口的最大值

pandas.rolling_min(arg, window, min_periods=None, freq=None, center=False, how='min', **kwargs)

1

rolling_corr 移动窗口的相关系数

pandas.rolling_corr(arg1, arg2=None, window=None, min_periods=None, freq=None, center=False, pairwise=None, how=None)

1

rolling_corr_pairwise 配对数据的相关系数

等价于: rolling_corr(…, pairwise=True)

pandas.rolling_corr_pairwise(df1, df2=None, window=None, min_periods=None, freq=None, center=False)

1

rolling_cov 移动窗口的协方差

pandas.rolling_cov(arg1, arg2=None, window=None, min_periods=None, freq=None, center=False, pairwise=None, how=None, ddof=1)

1

rolling_skew 移动窗口的偏度(三阶矩)

pandas.rolling_skew(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs)

1

rolling_kurt 移动窗口的峰度(四阶矩)

pandas.rolling_kurt(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs)

1

rolling_apply 对移动窗口应用普通数组函数

pandas.rolling_apply(arg, window, func, min_periods=None, freq=None, center=False, args=(), kwargs={})

1

rolling_quantile 移动窗口分位数函数

pandas.rolling_quantile(arg, window, quantile, min_periods=None, freq=None, center=False)

1

rolling_window 移动窗口

pandas.rolling_window(arg, window=None, win_type=None, min_periods=None, freq=None, center=False, mean=True, axis=0, how=None, **kwargs)

1

ewma 指数加权移动

ewma(arg[, com, span, halflife, ...])

1

ewmstd 指数加权移动标准差

ewmstd(arg[, com, span, halflife, ...])

1

ewmvar 指数加权移动方差

ewmvar(arg[, com, span, halflife, ...])

1

ewmcorr 指数加权移动相关系数

ewmcorr(arg1[, arg2, com, span, halflife, ...])

1

ewmcov 指数加权移动协方差

ewmcov(arg1[, arg2, com, span, halflife, ...])

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_42363510/article/details/114456862

智能推荐

python操作系统-Python_操作系统的发展史_weixin_37988176的博客-程序员宝宝

阅读目录手工操作 —— 穿孔卡片批处理 —— 磁带存储和批处理系统多道程序系统分时系统实时系统通用操作系统操作系统的进一步发展操作系统的作用手工操作 —— 穿孔卡片1946年第一台计算机诞生--20世纪50年代中期,计算机工作还在采用手工操作方式。此时还没有操作系统的概念。 程序员将对应于程序和数据的已穿孔的纸带(或卡片)装入输入机,然后启动输入机把程序和数据输入计算机内存,接着通过控制台开关...

python post 请求_NStock20133的博客-程序员宝宝_python中post

python接口自动化2-发送post请求 <div class="postBody"> <div id="cnblogs_post_body" class="blogpost-body"><p>前言</p>发送post的请求参

tensorboard的安装与使用_Arwin(Haowen Yu)的博客-程序员宝宝_tensorboard安装

文章目录前言一、tensorboard 简介二、tensorboard安装三,tensorboard使用前言在进行模型训练时,我们有时会使用回调函数tensorboard来可视化数据,本文介绍了在保存tensorboard运行文件后,该如何在win下查看可视化界面。提示:以下是本篇文章正文内容,下面案例可供参考一、tensorboard 简介TensorBoard是TensorFlow下的一个可视化的工具,能在训练大规模神经网络时将复杂的运算过程可视化。TensorBoard能展示你训练过程中

Phong光照模型及OpenGL实现(一)_yuebaidada的博客-程序员宝宝_phong

phong模型phong模型是一种经典的局部光照模型,支持点光源以及方向光源。phong模型将局部光照分为漫反射、镜面反射以及环境光三个部分。漫反射漫反射是指光线被粗糙表面无规则地向各个方向反射的现象,如图1图中蓝线表示入射光,红线表示反射光。漫射光的传播是各向同性的,即不同方向上的光强,颜色均为相同的。那么怎么求出漫射光的光强呢?我们可以利用下面这个公式Id=IiKd∗(L⋅N)I...

vijosP1067Warcraft III 守望者的烦恼_hahalidaxin的博客-程序员宝宝

vijosP1067Warcraft III 守望者的烦恼 链接:https://vijos.org/p/1067 【思路】  矩阵乘法。  可以得出递推式:     f[i]=sum{ f[n-1],f[n-2]…f[n-k] }  矩阵乘法加速转移如下:1、   原始矩阵F  1 x k:      |  1,0,0,0,0,…|2、   转移矩阵T

实验三 TCP Tahoe与Reno 运行机制对比分析以及ns2.35环境变量配置问题_lzxorls的博客-程序员宝宝

本次实验为计网课程第三次实验 在做实验的过程中参考了网上的教程(本文不全,算是原文的一个补充吧,请搭配食用(●’◡’●)) 原文链接 https://blog.csdn.net/do_best_/article/details/80000843 但在实验过程中有层出不穷的小错误,断断续续弄了四五天才完成实验 故将所遇到的问题列出,以便参考,最后附上实验报告和修改后的实验代码 附:详细的实...

随便推点

我的BIOS之行(9)-protocol的使用与创建_AlexKing阁下的博客-程序员宝宝

protocol简介从语言上来看,protocol包含了属性和函数指针的结构体,从功能上看,protocoll是提供者与使用者对服务方式的一种约定。其实我们不难看出UEFI中的Protocol引入了面向对象的思想。每一个protocol都必须要有一个唯一的GUID。如我的github上面的code一样,在github上我每章都有对应的提交,你可以通过我的提交看到我所完成的内容。如下就是我所...

jest测试html2text,单元测试 – 使用Jest测试Webpack构建的React组件_Fayyy Li的博客-程序员宝宝

我遇到了一个问题,我需要在由Webpack构建的React应用程序上运行Jest测试.问题是处理Webpack通常用加载器处理的CSS文件和图像等的要求.我需要知道正确测试组件的最佳方法是什么.React组件:import React from 'react';// The CSS file is the problem as I want to actually test what it// r...

将NT服务列表出来并停止某服务_hiyaolee的博客-程序员宝宝

unit  ServiceManager;    interface    uses    SysUtils,  Windows,  WinSvc;    type    TServiceManager  =  class    private    {  Private  declarations  }    ServiceControlManager:  SC_Handle;    Servi

QT5.4.1找不到qmake: qmake: could not exec '/usr/lib/i386-linux-gnu/qt4/bin/qmake': No such file or dire_ziyou飞翔的博客-程序员宝宝

在linux命令行上执行 qmake -project时报错:qmake: could not exec '/usr/lib/i386-linux-gnu/qt4/bin/qmake': No such file or directory原因:qtchooser默认选择路径中没有指向qmake路径,qtchooser默认路径在:/usr/lib/i386-linux-gnu/qt-default/q

springboot之整合Redis实现缓存_今日相乐,皆当喜欢的博客-程序员宝宝

首先导入redis的依赖: <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-data-redis</artifactId> </dependency> <depende...

mysql数据库的安装_努力和行动都不会白费得的博客-程序员宝宝

学习视频 老杜带你学mysql入门基础https://www.bilibili.com/video/BV1Vy4y1z7EX?from=search&seid=12392429403507191601一天学会mysql数据库https://www.bilibili.com/video/BV1Vt411z7wy?p=2数据库放到数据库服务器。数据库上可以创建数据表,每个数据表里面可以创建数据记录。数据库分为关系型数据库和非关系型数据库。数据库操作:事务。Mysql是关系型数据库。S