数据点不一致的时间序列数据的Python移动平均值

我发现，当数据按固定间隔（即1分钟、5分钟等）采样时，有大量与移动平均数相关的信息。但是，我需要一个解决方案，用于具有不规则时间间隔的时间序列数据集

数据集包含两列，时间戳和价格。时间戳下降到毫秒，并且没有为行设置间隔。我需要获取数据帧并添加三个移动平均值列：

1分钟 5分钟 10分钟

我不想对数据进行重采样，我希望最终结果是相同数量的行，但根据需要填充三列。（即，每列的间隔分别为1/5/10分钟）

我感觉我接近了，但我不知道如何将移动平均值变量传递给此函数：

import pandas as pd
import numpy as np

# Load IBM data from CSV
df = pd.read_csv(
    "C:/Documents/Python Scripts/MA.csv", names=['Timestamp',
                                                            'Price'])
# Create three moving average signals
df['Timestamp'] = pd.to_datetime(df['Timestamp'], errors='coerce')
df.set_index('Timestamp', inplace=True)


def movingaverage(values, window):
    weights = np.repeat(1.0, window)/window
    smas = np.convolve(values, weights, 'valid')
    return smas


MA_1M = movingaverage(df, 1)
MA_5M = movingaverage(df, 5)
MA_10M = movingaverage(df, 10)

print(MA_1M)

示例数据：

Timestamp               Price
2018-10-08 04:00:00.013 152.59
2018-10-08 04:00:00.223 156.34
2018-10-08 04:01:00.000 152.73
2018-10-08 04:05:00.127 156.34
2018-10-08 04:10:00.000 152.73

Expected Output:

Timestamp               Price  MA_1M  MA_5M  MA10M
2018-10-08 04:00:00.013 152.59 N/A    N/A    N/A  
2018-10-08 04:00:00.223 156.34 N/A    N/A    N/A 
2018-10-08 04:01:00.000 154.73 154.55 N/A    N/A 
2018-10-08 04:05:00.127 155.34 155.34 155.47 N/A 
2018-10-08 04:10:00.000 153.73 153.73 154.54 154.55

---

在每一行，MA列获取该时间戳并回溯1、5或10分钟并计算平均值。让这变得困难的是，行可以在任何毫秒内生成。在我上面的代码中，我只是想得到一个移动平均值来处理一个时间变量。我假设只要行数匹配，我就可以使用逻辑将列添加到我的df中。

以下操作有效，除了NAN-我不知道您对这些操作有多重视：

foo  = df.apply(lambda x: df[(df['Timestamp'] <= x['Timestamp']) & (df['timestamp']> x['timestamp'] - pd.Timedelta('5 min'))]['Price'].mean(), axis=1)

foo=df.apply（λx:df[（df['Timestamp']x['Timestamp']-pd.Timedelta（'5分钟'））]['Price'].mean（），轴=1）

能否提供一个数据帧示例，以及该示例数据帧的预期输出？@rahlf23我编辑了我的帖子，以包含所需的信息。该示例似乎与描述不匹配：

04:00:00.023

不在

04:05:00.127

的五分钟之内，但仍包含在五分钟的平均值中。哎呀，我手工将其组合在一起。我把毫秒改为5分钟以内。用滑动窗口代替过度观察，用

1/diff（Timestamp）

加权平均值怎么样？