滚动窗口和滞后值
平滑处理和滞后特征
滚动窗口和滞后值 是 CoddyKit 上的免费 Data Science Academy 课时。 这是第 2 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Data Science Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Data Science Academy 课程共包含 4 节课。
平滑波动
原始时间序列可能起伏很大。滚动窗口会对相邻数据点求平均，使底层信号更容易观察。🌊
窗口究竟是什么
窗口是由固定数量的最新数据点组成的范围。它每次向前移动一步，并在每个位置重新计算汇总值。
滚动平均值
最常见的操作是滚动平均值：对最近几个值求平均，使曲线更加平滑。pandas 可以用一行代码完成。
sales.rolling(window=7).mean()窗口大小是一种权衡
较大的窗口平滑效果更强，但反应较慢；较小的窗口反应更灵敏，但噪声也更多。请根据问题调整它。
首批值为 NaN
大小为 7 的窗口需要先有 7 个数据点才能进行计算。因此，在积累足够历史数据之前，开头几行会返回 NaN。
超越均值
rolling 不只能计算平均值。rolling std 能揭示波动性如何随时间变化，而仅看趋势是无法发现这一点的。
sales.rolling(window=30).std()认识滞后项
滞后项就是较早时间步中的值。将昨天的销量作为一列，就是一个一阶滞后特征。
shift 创建滞后项
pandas 使用 shift 创建滞后项。调用 shift(1) 会将每个值向下移动一行，使每一行都能看到过去的数据。
df['lag_1'] = sales.shift(1)滞后项为何能强化预测
大多数序列都取决于自身近期的过去。为模型提供良好的滞后项特征，就能让它学会用昨天预测今天。
差分也是一种滞后项
减去前一个值，也就是用当前值减去它的滞后项，可以得到相邻时间步之间的变化量。这正是差分的基础。
df['change'] = sales - sales.shift(1)结合 rolling 与滞后项
优秀的特征集通常会将两者结合起来：几个滞后项加上 rolling mean。它们共同捕捉近期水平和变化方向。
快速检查
哪个 pandas 方法会将值移动到前一个时间步，从而构建滞后特征？
回顾：将过去作为特征
您使用 rolling 窗口进行平滑，并通过 shift 引入滞后项，将过去的信息带到当前。这是时间序列特征的两大基础工具。
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「滚动窗口和滞后值」课时是免费的吗？
是的 — 「滚动窗口和滞后值」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Data Science Academy 课程的其余内容，请升级到 CoddyKit PRO。 Data Science Academy 课程共包含 4 节课。
「滚动窗口和滞后值」这节课中我会学到什么？
平滑处理和滞后特征 你通过在浏览器中直接运行的动手代码来练习 Data Science Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Data Science Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Data Science Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 2 节课，共 4 节。
「滚动窗口和滞后值」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Data Science Academy 课中编写并运行代码吗？
能。每节 Data Science Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。