pandas.core.window.rolling.Rolling.aggregate

Rolling.aggregate(func, *args, **kwargs)[source]

Агрегирование с использованием одной или нескольких операций по указанной оси.

Parameters:

func:function, str, list or dict

Функция для агрегирования данных. Если функция, она должна работать при передаче Series/DataFrame или при передаче в Series/DataFrame.apply.

Допустимые комбинации:

• функция

• имя строковой функции

• список функций и/или имён функций, например [np.sum, 'mean']

• словарь меток осей -> функций, имён функций или списков таких.

*args

Позиционные аргументы для передачи функции func.

**kwargs

Именованные аргументы для передачи функции func.

Returns:

скаляр, Series или DataFrame

Возвращаемое значение может быть:

• скаляр: когда Series.agg вызывается с одной функцией

• Series: когда DataFrame.agg вызывается с одной функцией

• DataFrame: когда DataFrame.agg вызывается с несколькими функциями

См. также

pandas.Series.rolling

Вызов объекта с данными Series.

pandas.DataFrame.rolling

Вызов объекта с данными DataFrame.

Примечания

Операции агрегирования всегда выполняются по оси, либо по индексу (по умолчанию), либо по оси столбцов. Это поведение отличается от функций агрегирования numpy (mean, median, prod, sum, std, var), где по умолчанию вычисляется агрегирование сглаженного массива, например, numpy.mean(arr_2d) в отличие от numpy.mean(arr_2d, axis=0).

agg — псевдоним для aggregate. Используйте псевдоним.

Функции, изменяющие переданный объект, могут привести к неожиданному поведению или ошибкам и не поддерживаются. См. Изменение с помощью пользовательских функций (UDF) методов для получения дополнительной информации.

Переданная пользовательская функция будет передаваться в Series для оценки.

Примеры

>>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6], "C": [7, 8, 9]})
>>> df
   A  B  C
0  1  4  7
1  2  5  8
2  3  6  9

>>> df.rolling(2).sum()
     A     B     C
0  NaN   NaN   NaN
1  3.0   9.0  15.0
2  5.0  11.0  17.0

>>> df.rolling(2).agg({"A": "sum", "B": "min"})
     A    B
0  NaN  NaN
1  3.0  4.0
2  5.0  5.0