Оконные функции в Pandas: rolling, expanding, ewm

rolling() — скользящее окно

Используется, когда нужно считать метрику по фиксированному числу последних строк или по временному интервалу.

Примеры задач:

• скользящее среднее продаж
• локальная волатильность
• минимум/максимум за последние N дней

df['ma_7'] = df['sales'].rolling(7).mean()
df['std_7'] = df['sales'].rolling(7).std()

Если индекс — дата, можно использовать временное окно:

df['ma_30d'] = df['sales'].rolling('30D').mean()

Важно:

• первые значения будут NaN, пока окно не заполнится
• параметр min_periods позволяет считать раньше
• center=True центрирует окно относительно текущей точки

expanding() — накопительное окно

Считает метрику от начала ряда до текущей строки. Подходит для cumulative-аналитики.

df['cum_avg'] = df['sales'].expanding().mean()
df['cum_max'] = df['sales'].expanding().max()

Когда полезно:

• накопительное среднее
• контроль стабильности метрики
• анализ роста показателя с начала периода 📈

ewm() — экспоненциально взвешенное окно

Придает больший вес свежим данным и меньший — старым. Это особенно полезно, когда последние изменения важнее исторических.

df['ema'] = df['sales'].ewm(span=7).mean()

Где применяется:

• EMA в финансовом анализе
• сглаживание временных рядов
• чувствительные к тренду метрики

Ключевые параметры:

• span — популярный способ задать «ширину» окна
• alpha — коэффициент сглаживания
• adjust=False — часто используют для более «практического» поведения EMA

Что выбрать? 🤔

• rolling — если нужен анализ по фиксированному окну
• expanding — если важна динамика от начала наблюдений
• ewm — если приоритет у последних значений

Типичные ошибки ⚠️

• использовать rolling() на неотсортированных данных
• забывать про NaN в начале ряда
• смешивать оконный расчет по строкам и по времени
• применять ewm() без понимания, как span влияет на чувствительность

Мини-шпаргалка

# Скользящее среднее
df['x'].rolling(5).mean()

# Накопительная сумма
df['x'].expanding().sum()

# Экспоненциальное сглаживание
df['x'].ewm(span=10).mean()