在建模過程中，我們常常需要需要對有時間關(guān)系的數(shù)據(jù)進行整理。比如我們想要得到某一時刻過去30分鐘的銷量（產(chǎn)量，速度，消耗量等），傳統(tǒng)方法復(fù)雜消耗資源較多，pandas提供的rolling使用簡單，速度較快。

函數(shù)原型和參數(shù)說明

DataFrame.rolling(window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None)

window：表示時間窗的大小，注意有兩種形式（int or offset）。如果使用int，則數(shù)值表示計算統(tǒng)計量的觀測值的數(shù)量即向前幾個數(shù)據(jù)。如果是offset類型，表示時間窗的大小。pandas offset相關(guān)可以參考這里。

min_periods：最少需要有值的觀測點的數(shù)量，對于int類型，默認與window相等。對于offset類型，默認為1。

freq：從0.18版本中已經(jīng)被舍棄。

center：是否使用window的中間值作為label，默認為false。只能在window是int時使用。

# 為方便觀察，并列排列df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]})df.rolling(3, min_periods=1).sum()df.rolling(3, min_periods=1, center=True).sum() B B1 B20 0.0 0.0 1.01 1.0 1.0 3.02 2.0 3.0 3.03 NaN 3.0 6.04 4.0 6.0 4.0

win_type：窗口類型，默認為None一般不特殊指定，了解支持的其他窗口類型，參考這里。

on：對于DataFrame如果不使用index（索引）作為rolling的列，那么用on來指定使用哪列。

closed：定義區(qū)間的開閉，曾經(jīng)支持int類型的window，新版本已經(jīng)不支持了。對于offset類型默認是左開右閉的即默認為right。可以根據(jù)情況指定為left both等。

axis：方向（軸），一般都是0。

舉例

一個簡單的場景，從A向B運送東西，我們想看一下以3秒作為一個時間窗運送的量。

# A地有兩個倉庫，都運往B。df = pd.DataFrame({'1': ['A1', 'A2', 'A1', 'A2', 'A2', 'A1', 'A2'],     '2': ['B1', 'B1', 'B1', 'B1', 'B1', 'B1', 'B1'],     'num': [1,2,1,3,4,2,1]},      index = [pd.Timestamp('20130101 09:00:00'),       pd.Timestamp('20130101 09:00:01'),       pd.Timestamp('20130101 09:00:02'),       pd.Timestamp('20130101 09:00:03'),       pd.Timestamp('20130101 09:00:04'),       pd.Timestamp('20130101 09:00:05'),       pd.Timestamp('20130101 09:00:06')])# 1 2 num# 2013-01-01 09:00:00 A1 B1 1# 2013-01-01 09:00:01 A2 B1 2# 2013-01-01 09:00:02 A1 B1 1# 2013-01-01 09:00:03 A2 B1 3# 2013-01-01 09:00:04 A2 B1 4# 2013-01-01 09:00:05 A1 B1 2# 2013-01-01 09:00:06 A2 B1 1

使用rolling進行計算

# 首先我們先對groupby進行聚合(如果只有從A->B，那么不用聚合一個rolling就可以)# 以9:00:04秒為例，由于時間窗是3s，默認的closed是right，所以我們相加04，03，02秒的num，共有4+3+0=7df.groupby(['1', '2'])['num'].rolling('3s').sum()# 1 2      # A1 B1 2013-01-01 09:00:00 1.0#   2013-01-01 09:00:02 2.0#   2013-01-01 09:00:05 2.0# A2 B1 2013-01-01 09:00:01 2.0#   2013-01-01 09:00:03 5.0#   2013-01-01 09:00:04 7.0#   2013-01-01 09:00:06 5.0# Name: num, dtype: float64