Ventanas móviles

Una ventana móvil (también llamada ventana deslizante) calcula una estadística sobre una ventana de tamaño fijo formada por filas consecutivas, mientras avanza una fila cada vez. Por ejemplo, una media móvil de 7 días sustituye el valor de cada día por la media de ese día y de los 6 días anteriores. Las ventanas móviles son la base de las medias móviles en finanzas, el suavizado de datos de sensores ruidosos y el cálculo de métricas acumuladas en paneles de negocio.

Series.rolling(window=n) devuelve un objeto Rolling. El parámetro window indica el tamaño de la ventana deslizante en número de filas (para ventanas enteras) o un desplazamiento temporal como '7D' (para Series indexadas por tiempo). Después de crear el objeto rolling, encadene cualquier método de agregación: .mean(), .sum(), .std(), .min(), .max() o incluso .apply(func). Las primeras window-1 filas siempre serán NaN porque no hay suficientes filas anteriores para completar la ventana.

De forma predeterminada, rolling(n) requiere exactamente n valores que no sean NaN en la ventana antes de calcular un resultado. El parámetro min_periods reduce este requisito; por ejemplo, rolling(7, min_periods=3) calcula la media en cuanto hay al menos 3 valores disponibles, por lo que produce valores que no son NaN antes en la Series. Esto resulta útil cuando desea obtener medias móviles al principio de una serie temporal en lugar de NaN en las primeras n-1 filas.

rolling(n).sum() calcula el total de las últimas n filas en cada posición. Una suma móvil de 30 días de las ventas diarias proporciona los ingresos mensuales acumulados de cada día, lo que resulta más informativo que un total mensual estático porque se actualiza diariamente. Las sumas móviles se utilizan habitualmente en análisis minoristas (ventas de los últimos 30 días), análisis web (usuarios activos de los últimos 7 días) y finanzas (volumen acumulado de los últimos n periodos).

En finanzas, la volatilidad se mide como la desviación estándar móvil de los rendimientos diarios. Una desviación estándar móvil alta significa que los precios fluctúan mucho; una baja indica precios estables. Esta métrica se utiliza en los cálculos de riesgo para la valoración de opciones y la gestión de carteras. La fórmula es la siguiente: calcule los rendimientos logarítmicos diarios con np.log(price/price.shift(1)) y, después, aplique rolling(window).std().

En lugar de especificar un número fijo de filas, puede indicar un desplazamiento temporal como ventana: rolling('7D') significa «los últimos 7 días naturales con datos». Esto gestiona correctamente las series temporales irregulares (fines de semana y festivos ausentes): una ventana basada en el número de filas incluiría una cantidad distinta de tiempo natural según los intervalos, mientras que una ventana basada en un desplazamiento temporal siempre abarca exactamente 7 días de datos. La Series debe tener un DatetimeIndex para usar ventanas basadas en el tiempo.

rolling(n).apply(func) pasa cada ventana como un array de NumPy a su función personalizada. Esto permite realizar cualquier cálculo móvil que no esté cubierto por las agregaciones integradas, como la desviación absoluta mediana móvil, la asimetría móvil o el primer cuartil móvil. La función debe aceptar un array unidimensional y devolver un escalar. Nota: apply es más lento que los métodos integrados porque no puede vectorizarse.

Puede aplicar rolling().mean() directamente a un DataFrame para calcular estadísticas móviles de todas las columnas numéricas simultáneamente. Cada columna obtiene su propia ventana móvil, calculada de forma independiente. Esto resulta útil para calcular medias móviles de varios precios de acciones o de varias líneas de ventas de productos en una sola operación, sin recorrer las columnas.

Un patrón habitual de visualización consiste en representar la serie temporal sin modificar y su media móvil sobre los mismos ejes. La media móvil revela la tendencia al suavizar el ruido diario, mientras que la serie original muestra la volatilidad. La distancia entre ambas indica cuánto ruido hay. Añadir una media móvil a un DataFrame es tan sencillo como asignar el resultado a una columna nueva.

De forma predeterminada, rolling utiliza una ventana retrospectiva (la fila actual y las n-1 filas anteriores). Establecer center=True crea una ventana centrada en la que la fila actual queda en el medio y se utilizan el mismo número de filas anteriores y posteriores. Las ventanas centradas producen resultados más suaves y son apropiadas para el suavizado offline de datos históricos cuando se conocen los valores futuros. NO son apropiadas para realizar predicciones en tiempo real porque requieren datos futuros.

Puede calcular estadísticas móviles por grupo mediante groupby().rolling(). Por ejemplo, puede calcular los ingresos móviles de 7 días para cada categoría de producto; la ventana se reinicia al comienzo de cada grupo, por lo que los datos de un producto no se mezclan con los de otro. Después de la operación móvil, utilice .reset_index(level=0, drop=True) para eliminar del índice el nivel adicional del grupo y alinear el resultado con el DataFrame original.

En esta lección ha aprendido que rolling(n) crea una ventana deslizante de n filas en la que puede calcular la media, la suma, la desviación estándar, el mínimo, el máximo o funciones personalizadas; min_periods reduce el número mínimo de valores necesarios para calcular un resultado; y center=True crea ventanas centradas para suavizado sin desfase. A continuación exploraremos las ventanas expansivas: estadísticas acumuladas que crecen desde el inicio de la Series.