Rolling window-functies met pandas

Tijdreeksgegevens manipuleren in Python

Stefan Jansen

Founder & Lead Data Scientist at Applied Artificial Intelligence

Window-functies in pandas

Windows bepalen subperiodes in je tijdreeks
Bereken metrieken voor subperiodes binnen de window
Maak een nieuwe tijdreeks van metrieken
Twee typen windows:
- Rolling: vaste grootte, schuivend (deze video)
- Expanding: bevat alle eerdere waarden (volgende video)

Een voortschrijdend gemiddelde berekenen

data = pd.read_csv('google.csv', parse_dates=['date'], index_col='date')

DatetimeIndex: 1761 entries, 2010-01-04 to 2016-12-30
Data columns (total 1 columns):
price     1761 non-null float64
dtypes: float64(1)

ch3_1_v2 - Rolling Window Functions with Pandas.010.png

Een voortschrijdend gemiddelde berekenen

# Integer-gebaseerde windowgrootte
data.rolling(window=30).mean() # vast # observaties

DatetimeIndex: 1761 entries, 2010-01-04 to 2017-05-24
Data columns (total 1 columns):
price    1732 non-null float64
dtypes: float64(1)

window=30: # werkdagen
min_periods: kies waarde < 30 om resultaten voor de eerste dagen te krijgen

Een voortschrijdend gemiddelde berekenen

# Offset-gebaseerde windowgrootte
data.rolling(window='30D').mean() # vaste periode

DatetimeIndex: 1761 entries, 2010-01-04 to 2017-05-24
Data columns (total 1 columns):
price    1761 non-null float64
dtypes: float64(1)

30D: # kalenderdagen

90-daags voortschrijdend gemiddelde

r90 = data.rolling(window='90D').mean()

google.join(r90.add_suffix('_mean_90')).plot()

ch3_1_v2 - Rolling Window Functions with Pandas.017.png

90- en 360-daags voortschrijdend gemiddelde

data['mean90'] = r90

r360 = data['price'].rolling(window='360D'.mean()

data['mean360'] = r360; data.plot()

ch3_1_v2 - Rolling Window Functions with Pandas.020.png

Meerdere rolling-metrieken (1)

r = data.price.rolling('90D').agg(['mean', 'std'])

r.plot(subplots = True)

ch3_1_v2 - Rolling Window Functions with Pandas.022.png

Meerdere rolling-metrieken (2)

rolling = data.google.rolling('360D')

q10 = rolling.quantile(0.1).to_frame('q10')

median = rolling.median().to_frame('median')

q90 = rolling.quantile(0.9).to_frame('q90')

pd.concat([q10, median, q90], axis=1).plot()

ch3_1_v2 - Rolling Window Functions with Pandas.024.png

Laten we oefenen!

Tijdreeksgegevens manipuleren in Python