滚动时间窗口功能 — 使用 Pandas 进行数据整理

Question

我有一个数据集，其中每条记录都包含匹配级别的数据，例如 MATCH_DATE | 播放器1 | 播放器2 | 锦标赛 | 表面 | PLAYER1_SERVE% | PLAYER2_SERVE%

2020 年 12 月 9 日 | 迈克 | 吉姆 | 罗马公开赛 | 粘土 | 65% | 70%

我正在尝试创建基于每个“PLAYER AND SURFACE”的滚动时间窗口的新列，例如 LAST90DAYS_PLAYER1_CLAYSERVE% 和 LAST5MATCHES_PLAYER1_CLAYSERVE%。 请注意，这两个字段应针对主题记录中指定的相同 SURFACE。

然后，我需要将这些新列添加/追加到原始数据集中，以得到最终数据集，如 DATE | 播放器1 | 播放器2 | 锦标赛 | 表面 | PLAYER1_SERVE% | PLAYER2_SERVE% | LAST90DAYS_PLAYER1_CLAYSERVE% | LAST5MATCHES_PLAYER1_CLAYSERVE%

2020 年 12 月 9 日 | 迈克 | 吉姆 | 罗马公开赛 | 粘土 | 65% | 70% | 62.5% | 69.2%

是否有一个优雅的 Pandas 命令可以为每行数据计算这种基于时间窗口的统计/特征？ 或者我是否需要使用适当的循环加上 if/then-else 逻辑从头开始编写 Python function ？

我对 SQL 有更多的经验，所以我倾向于发出多个“分组依据”查询来分别计算每个新列并连接一堆表，最后到达最终表/数据集。 因此，这是一个多步骤的过程，而不是带有内置循环的优雅的单行 Pandas 代码。

提前致谢！

Answer 1

您可以使用pandas.DataFrame.rolling方法。 查看文档。

举个例子，假设您正在使用 Apple 股票价格时间序列。 下面是计算 5 天平均值的代码的样子。 当然，您可以链接其他指标，例如总和或标准差：

>>> aapl = data[['AAPL']].copy()
>>> aapl
                  AAPL
Date                  
2010-01-04   30.572857
2010-01-05   30.625713
2010-01-06   30.138571
2010-01-07   30.082857
2010-01-08   30.282858
                ...
2018-12-25  152.000000
2018-12-26  157.169998
2018-12-27  156.149994
2018-12-28  156.229996
2018-12-31  156.229996
[2346 rows x 1 columns]

>>> aapl['mean_5d'] = aapl.loc[:, ['AAPL']].rolling(5).mean()
>>> aapl
                  AAPL     mean_5d
Date                              
2010-01-04   30.572857         NaN
2010-01-05   30.625713         NaN
2010-01-06   30.138571         NaN
2010-01-07   30.082857         NaN
2010-01-08   30.282858   30.340571
                ...         ...
2018-12-25  152.000000  153.456000
2018-12-26  157.169998  152.712000
2018-12-27  156.149994  152.575998
2018-12-28  156.229996  153.675998
2018-12-31  156.229996  155.555997
[2346 rows x 2 columns]

>>> aapl['std_5d'] = aapl.loc[:, ['AAPL']].rolling(5).std()
>>> aapl
                  AAPL     mean_5d    std_5d
Date                                        
2010-01-04   30.572857         NaN       NaN
2010-01-05   30.625713         NaN       NaN
2010-01-06   30.138571         NaN       NaN
2010-01-07   30.082857         NaN       NaN
2010-01-08   30.282858   30.340571  0.247898
                ...         ...       ...
2018-12-25  152.000000  153.456000  5.479579
2018-12-26  157.169998  152.712000  4.355022
2018-12-27  156.149994  152.575998  4.202209
2018-12-28  156.229996  153.675998  4.316487
2018-12-31  156.229996  155.555997  2.031717
[2346 rows x 3 columns]

我希望这可以帮助您使用 pandas 库编写更高效的代码！