Question

我正在处理以下代码：

# Resample, interpolate and inspect ozone data here
data = data.resample('D').interpolate()
data.info()
# Create the rolling window
***rolling = data.rolling(360)['Ozone']

# Insert the rolling quantiles to the monthly returns
data['q10'] = rolling.quantile(.1)
data['q50'] = rolling.quantile(.5)
data['q90'] = rolling.quantile(.9)
# Plot the data
data.plot()
plt.show()

对于加星号（***），我想知道，我可以改用以下内容吗？

data['Ozone'].rolling(360)

为什么下面的表达式False是

data.rolling(360)['Ozone']==data['Ozone'].rolling(360)

它们有什么区别？

Answer 1

data.rolling(360)['Ozone']和data['Ozone'].rolling(360)可以互换使用，但应在使用诸如.mean之类的聚合方法后进行比较，并且应使用pandas.DataFrame.equal比较。
.rolling方法需要window或用于计算的观察值数量。在下面的示例中，window，10中的值用NaN填充。
pandas.DataFrame.rolling
pandas.Series.rolling
df.rolling(10)['A'])和df['A'].rolling(10)是pandas.core.window.rolling.Rolling类型，将不会进行比较。
- 有关.rolling的工作方式的更多详细信息，请参见文档和How do pandas Rolling objects work?。
Pandas: Window-功能

import pandas as pd
import numpy as np

# test data and dataframe
np.random.seed(10)
df = pd.DataFrame(np.random.randint(20, size=(20, 1)), columns=['A'])

# this is pandas.DataFrame.rolling with a column selection
df.rolling(10)['A']
[out]:
Rolling [window=10,center=False,axis=0]

# this is pandas.Series.rolling
df['A'].rolling(10)
[out]:
Rolling [window=10,center=False,axis=0]

# see that the type is the same, pandas.core.window.rolling.Rolling
type(df.rolling(10)['A']) == type(df['A'].rolling(10))
[out]:
True

# the two implementations evaluate as False, when compared
df.rolling(10)['A'] == df['A'].rolling(10)
[out]:
False

使用聚合方法后就可以比较对象。
- 聚合.mean，我们可以看到window使用的值为NaN。
df.rolling(10)['A'].mean()和df['A'].rolling(10).mean()均为pandas.core.series.Series类型，可以比较。

df.rolling(10)['A'].mean()
[out]:
0      NaN
1      NaN
2      NaN
3      NaN
4      NaN
5      NaN
6      NaN
7      NaN
8      NaN
9     12.3
10    12.2
11    12.1
12    12.3
13    11.1
14    12.1
15    12.3
16    12.3
17    12.0
18    11.5
19    11.9
Name: A, dtype: float64

df['A'].rolling(10).mean()
[out]:
0      NaN
1      NaN
2      NaN
3      NaN
4      NaN
5      NaN
6      NaN
7      NaN
8      NaN
9     12.3
10    12.2
11    12.1
12    12.3
13    11.1
14    12.1
15    12.3
16    12.3
17    12.0
18    11.5
19    11.9
Name: A, dtype: float64

由于np.nan == np.nan是False，因此它们的评估结果不同。从本质上讲，它们是相同的，但是当将两者与==进行比较时，带有NaN的行的值为False。
但是，使用pandas.DataFrame.equals会将相同位置的NaN视为相等。

# row by row evaluation
df.rolling(10)['A'].mean() == df['A'].rolling(10).mean()
[out]:
0     False
1     False
2     False
3     False
4     False
5     False
6     False
7     False
8     False
9      True
10     True
11     True
12     True
13     True
14     True
15     True
16     True
17     True
18     True
19     True
Name: A, dtype: bool

# overall comparison
all(df.rolling(10)['A'].mean() == df['A'].rolling(10).mean())
[out]:
False

# using pandas.DataFrame.equals
df.rolling(10)['A'].mean().equals(df['A'].rolling(10).mean())
[out]:
True

如何在大熊猫中使用滚动？

1 个答案: