python numpy实现rolling滚动案例
相比较pandas，numpy并没有很直接的rolling方法，但是numpy 有一个技巧可以让NumPy在C代码内部执行这种循环。
这是通过添加一个与窗口大小相同的额外尺寸和适当的步幅来实现的。
import numpy as np
data = np.arange(20)
def rolling_window(a, window):
shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)
strides = a.strides + (a.strides[-1],)
return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)
rolling_window(data,10)
Out[12]:
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
[ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
[ 2, 3, 4, 5, 6, 7, 8, 9, 10, 11],
[ 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],
[ 4, 5, 6, 7, 8, 9, 10, 11, 12, 13],
[ 5, 6, 7, 8, 9, 10, 11, 12, 13, 14],
[ 6, 7, 8, 9, 10, 11, 12, 13, 14, 15],
[ 7, 8, 9, 10, 11, 12, 13, 14, 15, 16],
[ 8, 9, 10, 11, 12, 13, 14, 15, 16, 17],
[ 9, 10, 11, 12, 13, 14, 15, 16, 17, 18],
[10, 11, 12, 13, 14, 15, 16, 17, 18, 19]])
np.mean(rolling_window(data,10))
Out[13]: 9.5
np.mean(rolling_window(data,10),-1)
Out[14]: array([ 4.5, 5.5, 6.5, 7.5, 8.5, 9.5, 10.5, 11.5, 12.5, 13.5, 14.5])
补充知识：pandas中的滚动窗口rolling函数和扩展窗口expanding函数
在数据分析时，特别是在分析时间序列数据时，常会需要对一个序列进行固定长度窗口的滚动计算和分析，比如计算移动均线。只要是需要根据一个时序得到一个新的时序，就往往需要进行窗口滚动。在pandas中，DataFrame和Seies都有一个针对滚动窗口的函数，叫做rolling()。其具体的参数为：DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)
其中参数window可以为一个正整数或者一个offset（可以认为是时间区间长度），通过这个参数设置窗口长度；min_periods表示窗口中需要的最小的观测值，如果窗口中的成员个数少于这个设定的值，则这个窗口经过计算后就会返回NaN，比如，如果min_periods设为3,但当前的窗口中只有两个成员，那么该窗口对应的位置就会返回空值；center参数如果设为True，表示在取窗口覆盖的区间时，以当前label为中心，向两边取，若为False，则表示以当前label为窗口的最右侧，向左侧取，默认为False，要注意的是，当为True时，如果窗口长度为奇数，则中心位置很好确定，就是最中间的位置，但是如果长度为偶数，则默认中心位置为中间偏右的那一个位置；win_type参数表示不同的窗口类型，可以通过这个参数给窗口成员赋予不同的权重，默认为等权重；on参数表示指定对某一列进行rolling，而不是默认的对index进行rolling，要注意的是，当指定on参数时，指定的列必须是时间序列，不然rolling函数就会失效。
下面看一个简单的例子。下面的例子中，当窗口长度为3，设min_periods为2时，可知结果中第一个元素为NaN，因为第一个窗口只有一个值1，由于min_periods为2，所以至少需要包含两个数才行，故第一个值为空值，从第二个元素开始才有非空值，这就是min_periods参数的含义。当设置center为True时，如果窗口长度为偶数4，比如对于一个窗口[a,b,c,d]，则中心值为中心偏右的那个位置，就是c，故此时第1个窗口覆盖的元素为1和2，所以和为3，如下所示。
import pandas as pd
import numpy as np
df=pd.DataFrame([1,2,3,5],columns=['a'])
df
a
0 1
1 2
2 3
3 5
df.rolling(3,min_periods=2).sum()
a
0 NaN
1 3.0
2 6.0
3 10.0
df.rolling(4,min_periods=2,center=True).sum()
a
0 3.0
1 6.0
2 11.0
3 10.0
rolling函数返回的是window对象或rolling子类，可以通过调用该对象的mean(),sum(),std(),count()等函数计算返回窗口的值，还可以通过该对象的apply(func)函数，通过自定义函数计算窗口的特定的值，具体可看文档。
从以上可以看出，rolling的窗口可以向前取值，向两边取值，但是没有向后取值，实际上只需要把原序列倒序排列后再向前取值就可以实现向后取值。下面我们再讲一下expanding函数，其为DataFrame.expanding(min_periods=1, center=False, axis=0)，其中参数的意义和rolling一样，只是其不是固定窗口长度，其长度是不断的扩大的。
以上这篇python numpy实现rolling滚动案例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。
相关推荐
-
python pandas移动窗口函数rolling的用法
超级好用的移动窗口函数 最近经常使用移动窗口函数,觉得很方便,功能强大,代码简单,故将pandas中的移动窗口函数都做介绍.它都是以rolling打头的函数,后接具体的函数,来显示该移动窗口函数的功能. 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) arg : DataFrame 或 numpy的ndarray 数组格式 window :
-
python numpy生成等差数列、等比数列的实例
如下所示: import numpy as np # 等差数列 print(np.linspace(0.1, 1, 10, endpoint=True)) print(np.arange(0.1, 1.1, 0.1)) """总结: arange 侧重点在于增量,不管产生多少个数 linspace 侧重于num, 即要产生多少个元素,不在乎增量 """ # 等比数列 np.logspace(1, 4, 4, endpoint=True, base
-
python+numpy实现的基本矩阵操作示例
本文实例讲述了python+numpy实现的基本矩阵操作.分享给大家供大家参考,具体如下: #! usr/bin/env python # coding: utf-8 # 学习numpy中矩阵的代码笔记 # 2018年05月29日15:43:40 # 参考网站:http://cs231n.github.io/python-numpy-tutorial/ import numpy as np #==================矩阵的创建,增删查改,索引,运算==================
-
python numpy实现rolling滚动案例
相比较pandas,numpy并没有很直接的rolling方法,但是numpy 有一个技巧可以让NumPy在C代码内部执行这种循环. 这是通过添加一个与窗口大小相同的额外尺寸和适当的步幅来实现的. import numpy as np data = np.arange(20) def rolling_window(a, window): shape = a.shape[:-1] + (a.shape[-1] - window + 1, window) strides = a.strides +
-
python 读取二进制 显示图片案例
我就废话不多说了,大家还是直接看代码吧! import matplotlib.pyplot as plt import numpy as np f = open('bwall.bmpx', mode='rb') x = np.fromfile(f, dtype=np.ubyte) #x = x[0:1920] x = x[1920:3840] #x = x[3840:5760] x = x.reshape(60,32) #print((x)) plt.imshow(x) plt.axis('of
-
Python matplotlib绘图设置图例案例
目录 一.语法简介 二.完整代码 一.语法简介 plt.legend(loc=2,edgecolor='red',facecolor='green',shadow='True',fontsize=10) edgecolor 图例边框线颜色 facecolor 图例背景色 shadow 是否添加阴影 title 图例标题 fontsize 设置字体大小 ''' 设置图例位置loc参数简介 best 0 根据图标区域自动选择最合适的位置 upper right 1 右上角
-
Python numpy生成矩阵基础用法实例代码
目录 1.numpy.array() 可以把列表转换为矩阵 2.numpy.arange() 生成一个向量 3.numpy.ones() 生成一个全是1的矩阵, 里面填入矩阵范围 4.numpy.zeros() 生成一个全是0的矩阵, 里面填入矩阵范围 5.numpy.eye() 可填入两个参数分别代表行和列,也可只填一个参数,即为方阵 6.numpy.empty() 返回一个没有经过初始化的一个矩阵 7.numpy.linspace 返回在指定的范围内确定个数的等间距的一组数的向量 补充:
-
Python numpy生成矩阵、串联矩阵代码分享
import numpy 生成numpy矩阵的几个相关函数: numpy.array() numpy.zeros() numpy.ones() numpy.eye() 串联生成numpy矩阵的几个相关函数: numpy.array() numpy.row_stack() numpy.column_stack() numpy.reshape() >>> import numpy >>> numpy.eye(3) array([[ 1., 0., 0.], [ 0., 1.
-
Python numpy 常用函数总结
Numpy是什么 在没给大家介绍numpy之前先给大家说下python的基本概念. Python 是一种高级的,动态的,多泛型的编程语言.Python代码很多时候看起来就像是伪代码一样,因此你可以使用很少的几行可读性很高的代码来实现一个非常强大的想法. numpy很简单,Numpy是Python的一个科学计算的库,提供了矩阵运算的功能,其一般与Scipy.matplotlib一起使用.其实,list已经提供了类似于矩阵的表示形式,不过numpy为我们提供了更多的函数. 数组 数组常用函数 1.w
-
windows 下python+numpy安装实用教程
如题,今天兜兜转转找了很多网站帖子,一个个环节击破,最后装好费了不少时间. 希望这个帖子能帮助有需要的人,教你一篇帖子搞定python+numpy,节约科研时间. 水平有限,难免存在不足,敬请指正. *******************python安装**************************************************** step1:官网下载安装包: https://www.python.org/ 我下载的是python-3.4.4.msi step2:pyt
-
Python numpy实现数组合并实例(vstack,hstack)
若干个数组可以沿不同的轴合合并到一起,vstack,hstack的简单用法, >>> a = np.floor(10*np.random.random((2,2))) >>> a array([[ 8., 8.], [ 0., 0.]]) >>> b = np.floor(10*np.random.random((2,2))) >>> b array([[ 1., 8.], [ 0., 4.]]) >>> np.vs
-
浅谈python numpy中nonzero()的用法
nonzero函数返回非零元素的目录. 返回值为元组, 两个值分别为两个维度, 包含了相应维度上非零元素的目录值. import numpy as np A = np.mat([[0,1,2,3,4,3,2,1,0],[0,1,2,3,4,5,6,7,0]]) x = A.nonzero() #取出矩阵中的非零元素的坐标 print x #输出是一个元组,两个维度.一一对应, #返回非零元素在矩阵中的位置,前一个列表存放非零行坐标,后一个列表存放非零元素列坐标 #(array([0, 0, 0,
-
Python numpy 提取矩阵的某一行或某一列的实例
如下所示: import numpy as np a=np.arange(9).reshape(3,3) a Out[31]: array([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) 矩阵的某一行 a[1] Out[32]: array([3, 4, 5]) 矩阵的某一列 a[:,1] Out[33]: array([1, 4, 7]) b=np.eye(3,3) b Out[36]: array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0.,