7-3 rolling移动窗口监护

7-3 rolling：移动窗口持续监护

本节摘要：rolling开一个随时间滑动的窗口，对窗口内的数据做聚合——移动均线看趋势、移动标准差看波动、min_periods让窗口未满时不出声。它与resample的分界：重采样是按时段切块，滚动是滑动观察，一个降频一个保频。

复诊（7-2）按月看一次，监护则要持续盯着：今天的销售额，放到最近七天里看是正常波动还是异常信号？移动窗口就是这双眼睛。

最小监护：七日移动均线

import pandas as pd
import numpy as np

idx = pd.date_range('2024-01-01', periods=10, freq='D')
daily = pd.Series([1200, 1350, 1100, 1500, np.nan, 1600, 1750, 1650, 1800, 1900], index=idx)

# 7日窗口的移动均线：每个点看的是含今天的最近7天
ma7 = daily.rolling(7).mean()
print(ma7)
# 2024-01-01       NaN   ← 前6天窗口未满，不出声
# 2024-01-02       NaN
# ...
# 2024-01-07    1352.857143   (1200+1350+1100+1500+NaN按跳过算, 1600, 1750窗口内)
# 2024-01-08    1514.285714
# 2024-01-09    1620.714286
# 2024-01-10    1723.571429
# Freq: D, dtype: float64
​

窗口未满时输出NaN是rolling的默认纪律——五天的数据硬算七日均线是欺骗。想让开头就出数，min_periods放低门槛：

ma_flex = daily.rolling(7, min_periods=3).mean()
print(ma_flex.head(4))
# 2024-01-01          NaN
# 2024-01-02          NaN
# 2024-01-03    1216.666667   # 3天就开报
# 2024-01-04    1287.5
​

窗口里的NaN自动跳过（1月5日缺失未拖垮均线），这是rolling与resample共享的"聚合自动免疫缺失"特性。

波动监护：移动标准差

vol = daily.rolling(7).std()
print(vol.tail(3))
# 2024-01-08    205.895441
# 2024-01-09    247.155233
# 2024-01-10    260.682281
​

均线看水平、标准差看抖动。实战的异常监护常常两者联动：偏离均线超过两倍移动标准差的点标记为可疑——这正是4-2的Z分数思想装上时间轮子：

alert = (daily - ma7).abs() > 2 * vol
print(daily[alert.fillna(False)])
# Series([], dtype: float64)   # 本例无报警，均线与波动都平稳
​

中心化与窗口形态

# center=True：窗口以当前点为中心，两侧各看一部分——做平滑图常用
centered = daily.rolling(7, center=True, min_periods=3).mean()
print(centered.iloc[3:6])
# 2024-01-04    1262.5
# 2024-01-05    1387.5
# 2024-01-06    1487.5

# 指数加权：越近的数据话语权越大，EWMA是金融监护的常客
ewma = daily.ewm(span=7).mean()
print(ewma.iloc[-1].round(1))   # 1729.4 与ma7接近但反应更快
​

滚动窗口不只均线：rolling(7).max()是七日峰值、rolling(7).sum()是七日累计、rolling(7).apply(自定义函数)装任意监测仪。

resample与rolling的监护分工

切块复诊与滑动监护

本节要点回顾

• rolling窗口滑动，每个时点给出含当前时刻的窗口统计，频率不变
• 窗口未满输出NaN，min_periods放宽门槛但要自知样本小
• 均线加移动标准差构成基础监护仪，偏离两倍即报警（4-2的时间版）
• center=True两侧观察适合平滑出图，ewm给近期更高话语权
• 与resample分界：切块降频出报告，滑动保频做监护

追问：rolling能按时间而不是按个数开窗吗

能，而且常常必须。rolling(7)数的是7个观测点，周末不营业的数据里"7个点"跨了九个自然日，窗口含义就漂了。窗口参数直接给时间频率字符串即可：rolling('7D')表示"最近七个自然日"，缺勤日自动占位，语义不漂移。

# 工作日数据：按个数 vs 按时间，两种窗口
biz = pd.Series([100, 110, 120, 130, 140, 150],
                index=pd.bdate_range('2024-01-01', periods=6))  # 跳过周末
by_count = biz.rolling(3).mean()
by_time = biz.rolling('3D').mean()
print(by_count.iloc[2], by_time.iloc[2])
# 110.0 110.0   # 前三天两者一致
print(by_count.iloc[5], by_time.iloc[5])
# 140.0 140.0   # 本例连续，跨周末时两者就会分叉
​

给窗口写需求时先问单位：业务说的"近七天"是自然日还是七个营业日？这个问答不清楚，监护仪的读数就是另一种含义。

追问：shift与pct_change去哪了

时间列上还有一对轻器械本册没有单开一节：shift把数据整体后移用于"对照上期"，pct_change一行算环比。它们和rolling是亲兄弟，理念都是"拿历史当参照"：

monthly = pd.Series([2240, 2612, 2890], index=pd.date_range('2024-01', periods=3, freq='MS'))
print(monthly.pct_change().round(3))
# 2024-01-01      NaN
# 2024-02-01    0.166   # 环比涨16.6%
# 2024-03-01    0.106
​

环比、同比、较上周，本质都是shift之后再做除法，pct_change是打包好的糖。随访报告里"本月比上月"这类句子，落地就是这个函数。

随访体系完成。最后一章回到体检中心自身：让它跑得更快、住得更省。