在移动窗口(可以带有指数衰减权数)上计算的各种统计函数也是一类常见于时间序列的数组变换。它们称为移动窗口函数，其中还包括那些窗口不定长的函数(如指数加权移动平均)。跟其他统计函数一样，移动窗口函数也会自动排除缺失值。「亲，如果笔记对您有帮助，收藏的同时，记得给点个赞、加个关注哦！感谢！」

「文中代码均亲测过，若有错误之处，欢迎批评指正，一起学习，一起成长！」

Series.rolling.mean()是其中最简单的一个，它接受一个TimeSeries或DataFrame以及一个window(表示期数)：

In [14]: close_px.AAPL.plot()

Out[14]:

默认情况下，诸如Series.rolling.mean()这样的函数需要指定数量的非NA观测值。可以修改该行为以解决缺失数据的问题。其实，在时间序列开始处尚不足窗口期的那些数据就是个特例：

In [18]: prm=pd.Series.rolling(close_px.AAPL,250).mean()

In [19]: prm.plot()

Out[19]:

In [24]: appl_std250=pd.Series.rolling(close_px.AAPL,250,min_periods=10).mean()

In [25]: appl_std250[5:12]

Out[25]:

1990-02-08 NaN

1990-02-09 NaN

1990-02-12 NaN

1990-02-13 NaN

1990-02-14 7.964000

1990-02-15 7.967273

1990-02-16 7.962500

Freq: B, Name: AAPL, dtype: float64

In [26]: appl_std250.plot()

Out[26]:

要计算扩展窗口平均，可以将扩展窗口看做一个特殊的窗口，其长度与时间序列一样，但只需一期(或多期)即可计算一个值：

# 通过Series.rolling.mean()定义扩展平均

In [27]: expanding_mean=lambda x :Series.rolling(x,len(x),min_periods=1).mean()

对DataFrame调用Series.rolling.mean()(以及与之类似的函数)会将转换应用到所有的列上：

In [29]: pd.Series.rolling(close_px,60).mean().plot(logy=True)

Out[29]:

「亲，如果笔记对您有帮助，收藏的同时，记得给点个赞、加个关注哦！感谢！」

「文中代码均亲测过，若有错误之处，欢迎批评指正，一起学习，一起成长！」