在 Python 的 Pandas 库中，`rolling` 函数用于计算移动窗口统计量，例如移动平均值（Moving Average）。通过 `rolling` 方法，可以轻松地对时间序列数据或其他序列数据进行滑动窗口操作，从而平滑数据并提取趋势信息。 要使用 `rolling` 函数计算移动平均值，首先需要指定窗口大小（`window` 参数），然后调用 `.mean()` 方法。该方法会为每个窗口内的数据点计算平均值，并返回一个新的 Series 或 DataFrame，其中每个值对应窗口内的平均值。 以下是一个完整的示例代码，展示如何使用 `rolling` 方法计算移动平均值： ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt # 创建一个示例时间序列 date_rng = pd.date_range(start='2022-01-01', end='2022-01-10', freq='D') data = np.random.randn(len(date_rng)) ts = pd.Series(data, index=date_rng) # 计算移动平均 window_size = 3 rolling_avg = ts.rolling(window=window_size).mean() # 打印结果 print(rolling_avg) # 绘制原始时间序列和移动平均 plt.plot(ts, label='Original Time Series') plt.plot(rolling_avg, label=f'Moving Average (Window Size = {window_size})', linestyle='--', color='orange') plt.legend() plt.show() ``` 在上述代码中： - `pd.date_range()` 用于生成日期范围。 - `np.random.randn()` 生成随机数据作为示例时间序列。 - `ts.rolling(window=window_size).mean()` 计算指定窗口大小的移动平均值。 - 使用 `matplotlib.pyplot` 绘制原始时间序列和移动平均线，以便直观观察平滑效果[^2]。 需要注意的是，`rolling` 方法默认不会在窗口未完全填充时计算值，因此前几个数据点的结果会是 `NaN`。可以通过 `min_periods` 参数调整窗口的最小非空数据点数量，以控制何时开始计算统计值。 此外，`rolling` 方法还支持其他统计函数，如 `.sum()`、`.std()`、`.var()` 等，可用于计算窗口内的总和、标准差、方差等指标。 ### 示例输出 假设 `window_size = 3`，输出结果如下： ``` 2022-01-01 NaN 2022-01-02 NaN 2022-01-03 0.148990 2022-01-04 -0.251003 2022-01-05 -0.450427 2022-01-06 -0.589425 2022-01-07 -0.411574 2022-01-08 -0.164539 2022-01-09 0.094427 2022-01-10 0.369984 Freq: D, dtype: float64 ``` ### 优势 使用 `rolling` 方法计算移动平均值的优势包括： - **平滑数据**：减少数据中的噪音，突出趋势。 - **灵活的窗口大小**：可以根据需求调整窗口大小，以适应不同的分析需求。 - **高效计算**：Pandas 的 `rolling` 方法基于底层优化实现，计算效率高。 ### 注意事项 - 确保数据是按时间顺序排列的，否则可能会导致错误的计算结果。 - 如果数据中包含缺失值（`NaN`），应先处理这些缺失值或使用 `min_periods` 参数控制计算条件。