Medias móviles y acumulados

Transformación de datos con Polars

Liam Brannigan

Data Scientist & Polars Contributor

¿Por qué estadísticas móviles?

Gráfico de líneas de precios de electricidad

¿Por qué estadísticas móviles?

Gráfico de líneas de precios de electricidad con estadísticas móviles

Media móvil en una columna

prices.with_columns(

)

Media móvil en una columna

prices.with_columns(
    pl.col("price").rolling_mean(            )
)

Media móvil en una columna

prices.with_columns(
    pl.col("price").rolling_mean(window_size=3)
)

Media móvil en una columna

prices.with_columns(
    pl.col("price").rolling_mean(window_size=3).alias("smoothed")
)

Media móvil en una columna

prices.with_columns(
    pl.col("price").rolling_mean(window_size=3).alias("smoothed")
)

| time                | price | solar | smoothed |
| ---                 | ---   | ---   | ---      |
| datetime[µs]        | f64   | f64   | f64      |
|---------------------|-------|-------|----------|
| 2025-07-05 00:00:00 | 34.2  | 0.0   | null     |
| 2025-07-05 01:00:00 | 28.7  | 0.0   | null     |

Media móvil en una columna

prices.with_columns(
    pl.col("price").rolling_mean(window_size=3).alias("smoothed")
)

| time                | price | solar | smoothed |
| ---                 | ---   | ---   | ---      |
| datetime[µs]        | f64   | f64   | f64      |
|---------------------|-------|-------|----------|
| 2025-07-05 00:00:00 | 34.2  | 0.0   | null     |
| 2025-07-05 01:00:00 | 28.7  | 0.0   | null     |
| 2025-07-05 02:00:00 | 27.5  | 0.0   | 30.1     |

Centrar la ventana

prices.with_columns(
    pl.col("price").rolling_mean(window_size=3,            )
)

Centrar la ventana

prices.with_columns(
    pl.col("price").rolling_mean(window_size=3, center=True).alias("centered")
)

| time                | price | solar | centered |
| ---                 | ---   | ---   | ---      |
| datetime[µs]        | f64   | f64   | f64      |
|---------------------|-------|-------|----------|
| 2025-07-05 00:00:00 | 34.2  | 0.0   | null     |
| 2025-07-05 01:00:00 | 28.7  | 0.0   | 30.1     |
| 2025-07-05 02:00:00 | 27.5  | 0.0   | 27.1     |

Otras expresiones móviles

.rolling_sum() - total móvil
.rolling_std() - desviación estándar móvil
.rolling_max() / .rolling_min()

Rolling en un DataFrame

prices.rolling(                                )

Rolling en un DataFrame

prices.rolling(index_column="time",            )

Rolling en un DataFrame

prices.rolling(index_column="time", period="3h")

Rolling en un DataFrame

prices.rolling(index_column="time", period="3h").agg(
    pl.all().mean()
)

Rolling en un DataFrame

prices.rolling(index_column="time", period="3h").agg(
    pl.all().mean()
)

| time                | price | solar  |
| ---                 | ---   | ---    |
| datetime[µs]        | f64   | f64    |
|---------------------|-------|------- |
| 2025-07-05 10:00:00 | 1.8   | 247.3  |
| 2025-07-05 11:00:00 | 1.4   | 347.7  |
| 2025-07-05 12:00:00 | 0.9   | 420.7  |

¿Por qué estadísticas acumuladas?

Gráfico temporal de potencia solar

Tarea: calcula valores acumulados

¿Por qué estadísticas acumuladas?

Gráfico temporal de potencia solar con máximo acumulado

Estadísticas acumuladas

prices.with_columns(
    pl.col("solar")
)

Estadísticas acumuladas

prices.with_columns(
    pl.col("solar").cum_max()
)

Estadísticas acumuladas

prices.with_columns(
    pl.col("solar").cum_max().alias("cumulative_solar")
)

Estadísticas acumuladas

prices.with_columns(
    pl.col("solar").cum_max().alias("cumulative_solar")
)

| time                | price | solar | cumulative_solar |
| ---                 | ---   | ---   | ---              |
| datetime[µs]        | f64   | f64   | f64              |
|---------------------|-------|-------|------------------|
| ...                 | ...   | ...   | ...              |
| 2025-07-05 10:00:00 | 2.3   | 419.0 | 419.0            |
| 2025-07-05 11:00:00 | 0.5   | 481.0 | 481.0            |
| 2025-07-05 12:00:00 | 0.0   | 462.0 | 481.0            |
| ...                 | ...   | ...   | ...              |

Suma acumulada para totales corrientes

prices.with_columns(
    pl.col("solar").cum_sum().alias("total_energy")
)

| time                | price | solar | total_energy |
| ---                 | ---   | ---   | ---          |
| datetime[µs]        | f64   | f64   | f64          |
|---------------------|-------|-------|--------------|
| 2025-07-05 06:00:00 | 22.1  | 62.0  | 62.0         |
| 2025-07-05 07:00:00 | 4.5   | 100.0 | 162.0        |
| 2025-07-05 08:00:00 | 1.7   | 180.0 | 342.0        |

¡Vamos a practicar!

Transformación de datos con Polars