Janelas móveis

Uma janela móvel (também chamada de janela deslizante) calcula uma estatística sobre uma janela de tamanho fixo composta por linhas consecutivas, à medida que avança uma linha por vez. Por exemplo, uma média móvel de 7 dias substitui o valor de cada dia pela média desse dia e dos 6 dias anteriores. As janelas móveis são a base das médias móveis em finanças, da suavização de dados ruidosos de sensores e do cálculo de métricas acumuladas em painéis de negócios.

Series.rolling(window=n) retorna um objeto Rolling. O parâmetro window define o tamanho da janela deslizante em número de linhas (para janelas inteiras) ou como um deslocamento temporal, como '7D' (para Series indexadas por tempo). Depois de criar o objeto móvel, encadeie qualquer método de agregação: .mean(), .sum(), .std(), .min(), .max() ou até mesmo .apply(func). As primeiras window-1 linhas sempre serão NaN, pois não há linhas anteriores suficientes para preencher a janela.

Por padrão, rolling(n) exige exatamente n valores não NaN na janela antes de calcular um resultado. O parâmetro min_periods reduz essa exigência — por exemplo, rolling(7, min_periods=3) calcula a média assim que pelo menos 3 valores estão disponíveis, produzindo valores não NaN mais cedo na Series. Isso é útil quando você deseja médias móveis no início de uma série temporal, em vez de NaN nas primeiras n-1 linhas.

rolling(n).sum() calcula o total das últimas n linhas em cada posição. Uma soma móvel de 30 dias das vendas diárias fornece a receita mensal acumulada de cada dia — mais informativa do que um total mensal estático, pois é atualizada diariamente. Som as móveis são usadas com frequência em análises de varejo (vendas dos últimos 30 dias), análises da web (usuários ativos nos últimos 7 dias) e finanças (volume acumulado dos últimos n períodos).

Em finanças, a volatilidade é medida como o desvio padrão móvel dos retornos diários. Um desvio padrão móvel alto significa que os preços estão oscilando intensamente; um desvio padrão móvel baixo indica preços estáveis. Essa métrica orienta cálculos de risco na precificação de opções e na gestão de carteiras. A fórmula é: calcule os retornos logarítmicos diários com np.log(price/price.shift(1)) e, em seguida, aplique rolling(window).std().

Em vez de um número fixo de linhas, você pode especificar um deslocamento temporal como janela: rolling('7D') significa “os últimos 7 dias corridos de dados”. Isso lida automaticamente de forma correta com séries temporais irregulares (fins de semana e feriados ausentes) — uma janela baseada na quantidade de linhas incluiria uma quantidade diferente de tempo de calendário dependendo das lacunas, mas uma janela baseada em deslocamento temporal sempre abrangerá exatamente 7 dias de dados. A Series deve ter um DatetimeIndex para usar janelas baseadas em tempo.

rolling(n).apply(func) passa cada janela como um vetor NumPy para sua função personalizada. Isso permite realizar qualquer cálculo móvel que não seja coberto pelas agregações integradas — por exemplo, desvio absoluto mediano móvel, assimetria móvel ou primeiro quartil móvel. A função deve aceitar um vetor unidimensional e retornar um escalar. Observação: apply é mais lento do que os métodos integrados porque não pode ser vetorizado.

Você pode aplicar rolling().mean() diretamente a um DataFrame para calcular estatísticas móveis de todas as colunas numéricas simultaneamente. Cada coluna recebe sua própria janela móvel, calculada de forma independente. Isso é útil para calcular médias móveis de vários preços de ações ou de várias linhas de vendas de produtos em uma única operação, sem percorrer as colunas.

Um padrão comum de visualização é plotar a série temporal bruta e sua média móvel nos mesmos eixos. A média móvel revela a tendência ao suavizar o ruído diário, enquanto a série bruta mostra a volatilidade. A distância entre elas indica quanto ruído está presente. Adicionar uma média móvel a um DataFrame é tão simples quanto atribuir o resultado a uma nova coluna.

Por padrão, rolling usa uma janela acumulada (a linha atual e as n-1 linhas anteriores). Definir center=True cria uma janela centralizada, na qual a linha atual fica no meio, usando a mesma quantidade de linhas anteriores e posteriores. As janelas centralizadas produzem resultados mais suaves e são apropriadas para a suavização offline de dados históricos, quando os valores futuros são conhecidos. Elas NÃO são apropriadas para previsões em tempo real, pois exigem dados futuros.

Você pode calcular estatísticas móveis por grupo usando groupby().rolling(). Por exemplo, ao calcular a receita móvel de 7 dias por categoria de produto, a janela é reiniciada no início de cada grupo, portanto os dados de um produto não se misturam aos de outro. Após a operação móvel, use .reset_index(level=0, drop=True) para remover o nível extra do grupo do índice e alinhar o resultado novamente ao DataFrame original.

Nesta lição, você aprendeu que rolling(n) cria uma janela deslizante de n linhas na qual é possível calcular mean, sum, std, min, max ou funções personalizadas; min_periods reduz o número mínimo de valores necessários para calcular um resultado; e center=True cria janelas centralizadas para suavização offline. A seguir, exploraremos as janelas expansíveis — estatísticas cumulativas que crescem desde o início da Series.