Okna kroczące i opóźnienia
Wygładzanie i cechy opóźnione
Okna kroczące i opóźnienia to bezpłatna lekcja Data Science Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Data Science Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Smoothing Out the Bumps
Raw time series can be jumpy. A rolling window averages nearby points so the underlying signal becomes easy to see. 🌊
What a Window Really Is
A window is a fixed number of recent points. It slides forward one step at a time, recomputing a summary at each position.
The Rolling Mean
The most common move is a rolling mean: average the last few values to smooth the line. pandas makes it a one-liner.
sales.rolling(window=7).mean()Window Size Is a Trade-Off
A larger window smooths more but reacts slowly; a smaller one stays responsive but noisy. You tune it to the question.
The First Values Are NaN
A window of 7 needs 7 points before it can compute. So the first rows come back as NaN until enough history exists.
Beyond the Mean
Rolling works with more than averages. A rolling std reveals how volatility changes over time, which trends alone hide.
sales.rolling(window=30).std()Meet the Lag
A lag is simply the value from an earlier time step. Yesterday's sales as a column is a lag-1 feature.
Shift Creates Lags
pandas builds lags with shift. Calling shift(1) pushes every value down one row so each row sees its past.
df['lag_1'] = sales.shift(1)Why Lags Power Forecasts
Most series depend on their own recent past. Feeding a model good lag features lets it learn that yesterday predicts today.
Differencing Is a Lag Too
Subtracting the previous value, value minus its lag, gives the change between steps. It is the seed of differencing.
df['change'] = sales - sales.shift(1)Combine Rolling and Lags
Strong feature sets often mix both: a few lags plus a rolling mean. Together they capture recent level and direction.
Quick Check
Which pandas method shifts values to their previous time step to build a lag feature?
Recap: Past as Features
You used rolling windows to smooth and lags via shift to bring the past forward, the two staples of time series features.
Często zadawane pytania
Czy lekcja „Okna kroczące i opóźnienia” jest bezpłatna?
Tak — pełny tekst „Okna kroczące i opóźnienia” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Data Science Academy, przejdź na CoddyKit PRO. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Okna kroczące i opóźnienia”?
Wygładzanie i cechy opóźnione Ćwiczysz Data Science Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Data Science Academy?
Nie wymagamy żadnego doświadczenia. Data Science Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Okna kroczące i opóźnienia”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Data Science Academy?
Tak. Każda lekcja Data Science Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Trend, sezonowość i szum
- Okna kroczące i opóźnienia
- Stacjonarność i różnicowanie
- Pierwszy model bazowy prognozowania