RollingFutureAccessor
描述
用于在pandas DataFrame或Series上实现向后滚动窗口计算的访问器。
支持的统计量类型:
- mean: 计算后面窗口内的均值
- sum: 计算后面窗口内的总和
- max: 计算后面窗口内的最大值
- min: 计算后面窗口内的最小值
- std: 计算后面窗口内的标准差
- median: 计算后面窗口内的中位数
- count: 计算后面窗口内的数据点数量
- rank: 计算当前值在后面窗口内的分位数(0到1之间)
- skew: 计算后面窗口的偏度
- trend_time: 计算后面窗口内数据序列与时间序列的相关系数
- trend_oneton: 计算后面窗口内数据序列与1到n序列的相关系数(忽略时间间隔)
- last: 计算后面窗口内的最后一个值
注意:所有计算都不包括当前时间点的值,只考虑后面窗口内的值
使用方法:
import pandas as pd from rust_pyfunc import rolling_future
DataFrame示例
df = pd.DataFrame({ ... 'time': pd.date_range('2024-01-01', periods=5, freq='s'), ... 'value': [1, 2, 3, 4, 5] ... }) df.set_index('time', inplace=True) df.rolling_future('2s').mean() # 计算每个时间点之后2秒内的均值 df.rolling_future('2s').rank() # 计算每个值在后面2秒内的分位数
Series示例
s = pd.Series([1, 2, 3, 4, 5], ... index=pd.date_range('2024-01-01', periods=5, freq='s')) s.rolling_future('2s').mean() # 计算每个时间点之后2秒内的均值 s.rolling_future('2s').trend_time() # 计算后面2秒内的趋势
函数签名
RollingFutureAccessor(pandas_obj) -> None
参数
此函数没有参数
返回值
示例
暂无示例
Python使用示例
import numpy as np
from rust_pyfunc import RollingFutureAccessor
# 使用示例
# 请参考文档中的参数说明使用此函数