我有一个简单的时间序列，并且正在努力估计在移动窗口内的方差。更具体地说，我无法弄清楚实现滑动窗口函数的一些问题。例如，在使用NumPy和窗口大小=20时：
def rolling_window(a, window):
shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)
strides = a.strides + (a.strides[-1],)
return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)
rolling_window(data, 20)
np.var(rolling_window(data, 20), -1)
datavar=np.var(rolling_window(data, 20), -1)
也许在我的思路中哪里出现了错误。是否有人知道一个简单的方法来做到这一点？任何帮助/建议都会非常受欢迎。
Pandas的rolling_mean和rolling_std函数已被弃用，并由更通用的"rolling"框架替换。 @elyase的示例可以进行修改：
使用新框架，可以像下面这样修改@elyase的示例：
import pandas as pd
import numpy as np
%matplotlib inline
# some sample data
ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000)).cumsum()
#plot the time series
ts.plot(style='k--')
# calculate a 60 day rolling mean and plot
ts.rolling(window=60).mean().plot(style='k')
# add the 20 day rolling standard deviation:
ts.rolling(window=20).std().plot(style='b')
函数rolling支持多种窗口类型，详见此处。可在rolling对象上调用多个函数，包括var和其他有趣的统计量（如skew、kurt、quantile等）。由于这张图与均值在同一张图上，从单位的角度来看更有意义，因此我选择使用std。
import pandas as pd
import numpy as np
# some sample data
ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000)).cumsum()
#plot the time series
ts.plot(style='k--')
# calculate a 60 day rolling mean and plot
pd.rolling_mean(ts, 60).plot(style='k')
# add the 20 day rolling variance:
pd.rolling_std(ts, 20).plot(style='b')
虽然这是一个旧线程，但我会添加另一种方法，根据此修改而来，并且不依赖于pandas或Python循环。基本上，使用numpy的stride技巧，您可以首先创建一个数组视图，其striding使得沿着最后一个轴计算函数的统计量等同于执行滚动统计。我已经修改了原始代码，以便输出形状与输入形状相同，通过在最后一个轴的开头填充添加。
import numpy as np
def rolling_window(a, window):
pad = np.ones(len(a.shape), dtype=np.int32)
pad[-1] = window-1
pad = list(zip(pad, np.zeros(len(a.shape), dtype=np.int32)))
a = np.pad(a, pad,mode='reflect')
shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)
strides = a.strides + (a.strides[-1],)
return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)
a = np.arange(30).reshape((5,6))
# rolling mean along last axis
np.mean(rolling_window(a, 3), axis=-1)
# rolling var along last axis
np.var(rolling_window(a, 3), axis=-1)
# rolling median along last axis
np.median(rolling_window(a, 3), axis=-1)
a.shape 为 (5,6)，那么为什么 rolling_window(a, 3) 的输出形状为 (6, 6, 3)？对于任何 a.shape 为 (n ,m) 的情况，输出始终为 (n+1, m, window)。第一维中的额外点来自哪里？它是否应该存在？我使用的是 Python 3.8.8 和 NumPy 1.20.1。 - Adriaanlib.stride_tricks.as_strided的注意事项，它可能不安全使用。lib.stride_tricks.sliding_window_view()，它基本上是围绕lib.stride_tricks.as_strided的一个安全（或许）的包装器，创建一个具有窗口大小的额外轴的数组（在任意数量的维度中），允许您使用NumPy内置的统计函数在该轴上操作：import numpy as np
window = 3 # size of the window
A = np.arange(10)
Aw = np.lib.stride_tricks.sliding_window_view(A, window)
Avar = np.var(Aw, axis=-1)
Avar
>>> array([0.66666667, 0.66666667, 0.66666667, 0.66666667, 0.66666667,
0.66666667, 0.66666667, 0.66666667])
当然，这对于mean、max、min和std等函数也适用。
注意：据我所见，似乎没有办法包含数组的“边缘”，即无法达到完整窗口长度的A的开头和结尾。因此，生成的数组将缩短到可以达到完整窗口长度的那一部分，请参阅返回值的文档。
我也在寻找同样的解决方案，发现 bottleneck 包可以相当可靠和快速地完成任务。这里是稍微调整过的示例，来自于 https://kwgoodman.github.io/bottleneck-doc/reference.html#bottleneck.move_var：
>>> import bottleneck as bn
>>> a = np.array([1.0, 2.0, 3.0, np.nan, 5.0])
>>> bn.move_var(a, window=2)
array([ nan, 0.25, 0.25, nan, nan])
>>> bn.move_var(a, window=2, min_count=1)
array([ 0. , 0.25, 0.25, 0. , 0. ])
window变量中的值来更改时间窗口。例如，如果您想要一个30分钟的时间窗口，您将把数字更改为3000000000。data的字典中。但是，您可以从适合您的任何集合中获取此数据。data = {}
def one_min_avg():
window = int(datetime.now().strftime("%H%M%S%f")) - 100000000
history = {}
for i in message_log.items():
if i[0] >= window:
history.update({i})
for i in list(history):
if i < window:
history.pop(i)
avg = sum(history.values()) / len(list(history))
return avg
做（几乎）任何滚动/移动计算的简单方法是使用卷积！
在这种情况下，您可以将数据中的标准偏差公式与固定窗口大小（ws）进行卷积。
moving_std = np.sqrt(np.convolve((data - np.mean(data))**2, np.ones(ws)/ws, mode='valid'))
只是不要忘记，当你绘制它时，由于窗口大小的原因，移动标准差的第一个点将向左移动ws个空格，与你的数据相比。因此，你需要通过在x轴上添加窗口大小来进行调整。
std，但评论仍然不正确。我会修复的... 完成 - sfjac