重新计算平均值和标准平均值（Python、Pandas）

问题是：我需要每分钟重新计算最后n分钟的平均值和标准偏差

也就是说，如果我们假设

n==3

，那么我有3个数据帧，比如12:01、12:02、12:03分钟。12:04计算最后3分钟的平均值、标准偏差

在12:05，我需要重新计算12:02、12:03、12:04的数据帧的平均值和标准偏差

现在我可以

concat

在新的一分钟内计算最后3个数据帧，然后计算我需要的数据帧。但这意味着我不必要地重新计算每个数据帧

n-1次

有没有一种方法可以“挂起”数据帧上的计算，或者保存中间结果，添加一个数据帧，然后恢复它？（cpt显而易见的插件：出于数学原因，我不能仅仅平均最后的
n-1
平均值和std-dev值——理论上，如果每个df中的样本数相等，我可以平均平均平均值，但事实并非如此）

（显然，我没有一次获得全部过去的数据集-每分钟有一个新的df进入，并且比
n
minutes早的df数将从计算中“删除”。
您可以计算
平均值（M）、秒矩（M2）和标准值（D）
对于每个数据帧，当需要聚合其中一些数据帧时，可以使用此统计信息的属性：

m_i=len（X_i）

M（X_i）=和（X代表X中的X）/M_i

M2（X_i）=和（X**2表示X中的X）/m_i

M（X1，X2，…Xn）=和（M（X_i）*M_i）/和（M_i）

M2（X1，X2，…Xn）=和（M2（X_i）*m_i）/和（m_i）

D（X1，X2，…Xn）=M2（X1，X2，…Xn）-M（X1，X2，…Xn）**2

然后Std=sqrt（D）

其中m_i-X_i样本中的观察数

有关详细信息，请参见。您可以执行以下操作：

rolling = numpy.zeros(n)
for i, minute_df in enumerate(new_df):
  rolling[i % n] = minute_df.mean()
  print rolling.mean()