Python 如何前瞻性地使用函数

假设我有一个时间序列：

In[138] rng = pd.date_range('1/10/2011', periods=10, freq='D')
In[139] ts = pd.Series(randn(len(rng)), index=rng)
In[140]
Out[140]:
2011-01-10    0
2011-01-11    1
2011-01-12    2
2011-01-13    3
2011-01-14    4
2011-01-15    5
2011-01-16    6
2011-01-17    7
2011-01-18    8
2011-01-19    9
Freq: D, dtype: int64

如果我使用一个滚动函数，例如滚动求和，我可以得到我想要的向后滚动计算行为：

In [157]: pd.rolling_sum(ts, window=3, min_periods=0)
Out[157]: 
2011-01-10     0
2011-01-11     1
2011-01-12     3
2011-01-13     6
2011-01-14     9
2011-01-15    12
2011-01-16    15
2011-01-17    18
2011-01-18    21
2011-01-19    24
Freq: D, dtype: float64

但如果我想做一个前瞻性的总结呢？我试过这样的方法：

In [161]: pd.rolling_sum(ts.shift(-2, freq='D'), window=3, min_periods=0)
Out[161]: 
2011-01-08     0
2011-01-09     1
2011-01-10     3
2011-01-11     6
2011-01-12     9
2011-01-13    12
2011-01-14    15
2011-01-15    18
2011-01-16    21
2011-01-17    24
Freq: D, dtype: float64

但这并不是我想要的行为。我想要的输出是：

2011-01-10    3
2011-01-11    6
2011-01-12    9
2011-01-13    12
2011-01-14    15
2011-01-15    18
2011-01-16    21
2011-01-17    24
2011-01-18    17
2011-01-19    9

---

我要的是“当前”一天加上接下来两天的总和。我目前的解决方案是不够的，因为我关心边缘发生了什么。我知道我可以手动解决这个问题，通过设置两个额外的列，分别移动1天和2天，然后对三列求和，但必须有一个更优雅的解决方案

为什么不在相反的序列上执行此操作（并反转答案）：

---

也许你可以试试

瓶颈
模块。当
ts
较大时，
瓶颈
比
pandas

而
瓶颈
还有其他滚动功能，如
移动最大值
，
移动argmin
，
移动秩
，我努力解决了这个问题，然后找到了使用shift的简单方法

如果您希望在接下来的10个周期内获得滚动总和，请尝试：

df['NewCol'] = df['OtherCol'].shift(-10).rolling(10, min_periods = 0).sum()

我们使用shift，这样“OtherCol”会比通常显示的位置提前10行，然后我们对前10行进行滚动求和。因为我们移位了，所以前10行实际上是未移位列的未来10行。：）
 熊猫最近添加了一项新功能，使您能够实现前瞻性滚动。您必须升级到pandas 1.1.0才能获得该版本

我在大约一年前发现的，所以看起来还没有“官方”的支持。但是，发布在那里的临时解决方案也不能满足我在边缘的需求（我的示例中18/19仍然是空白）Pandas 1.1添加了对前瞻性窗口操作的“支持”，但当我尝试将其应用于此数据时，我的解释器出现故障。。。也许这还不支持向前的datetime窗口，但最终会支持。聪明的回答，谢谢。尽管只有当所有日期都在一个范围内时，这才有效。在您的情况下，您没有指定频率。例如，当您指定freq='D'时，此解决方案不再有效。因此，如果我有丢失的数据或可变的采样频率，这将不起作用。这似乎是一个真正有价值的功能，可以正确地实现。有人知道它是否在管道中吗？@user2543645我对此提出了一个问题。我没有意识到这在某些情况下是行不通的，很有趣。你能先重新采样（以获得一致的频率），然后反向滚动吗？我认为这应该行得通，但前提是你要按照你想要的频率重新采样。如果您有稀疏的数据，这可能会大大增加设置的大小。例如，如果您在不同年份收集了几天的每小时观察值，则必须添加数千个空值。如果有一个更为原生的支持，它的行为与rolling_*完全相同，只是在另一个方向。这似乎是一个不错的方法，但我相信您会丢失最初的10行，不是吗？只有在您有一系列完整的不间断日期时，这才有效。您不能使用rolling（）可以使用的“#D”窗口
import bottleneck as bn
result = bn.move_sum(ts[::-1], window=3, min_count=1)[::-1]

df['NewCol'] = df['OtherCol'].shift(-10).rolling(10, min_periods = 0).sum()

indexer = pd.api.indexers.FixedForwardWindowIndexer(window_size=3)
ts.rolling(window=indexer, min_periods=1).sum()