Jak działa pandas expanding w języku Python? Przykład zastosowania

W pracy z danymi w Pythonie niezwykle przydatna jest biblioteka pandas. Jednym z ciekawszych narzędzi, które oferuje, jest metoda expanding(). W tym artykule przybliżę, jak działa pandas.expanding() w języku Python i pokażę praktyczny przykład jego zastosowania.

Czym jest pandas.expanding()?

Metoda expanding() w Pandas służy do wykonywania operacji agregujących na rozszerzającym się oknie. Oznacza to, że działa ona podobnie do operacji kroczących (rolling()), ale zamiast mieć ustaloną wielkość okna, stopniowo zwiększa zakres analizy — zaczyna od pierwszego elementu i obejmuje coraz więcej wartości w miarę przetwarzania kolejnych danych.

Podstawowa składnia pandas.expanding()

Metodę tę można wywołać zarówno na obiektach Series, jak i DataFrame, jej podstawowa składnia wygląda następująco:

DataFrame.expanding(min_periods=1)

Gdzie:

• min_periods – minimalna liczba obserwacji wymagana do wykonania obliczenia (domyślnie 1).

Przykład zastosowania pandas.expanding()

Na konkretnym przykładzie zobaczmy, jak działa pandas.expanding(). Załóżmy, że mamy dane dotyczące przychodów firmy w poszczególnych miesiącach i chcemy obliczyć skumulowaną średnią przychodów.

import pandas as pd

# Tworzymy przykładowe dane
data = {'Miesiąc': ['Styczeń', 'Luty', 'Marzec', 'Kwiecień', 'Maj'],
        'Przychód': [1000, 1500, 1200, 1800, 2000]}

df = pd.DataFrame(data)

# Dodanie kolumny ze średnią kroczącą expanding
df['Średnia skumulowana'] = df['Przychód'].expanding().mean()

print(df)

Rezultat działania kodu

Uruchomienie powyższego kodu zwróci następującą tabelę:

Miesiąc	Przychód	Średnia skumulowana
Styczeń	1000	1000.0
Luty	1500	1250.0
Marzec	1200	1233.33
Kwiecień	1800	1375.0
Maj	2000	1500.0

Jak widać, średnia skumulowana stopniowo uwzględnia coraz więcej wartości, przez co daje nam lepszy obraz trendu długoterminowego.

Inne funkcje agregujące z expanding()

Metoda expanding() w Pandas pozwala wykorzystywać różne funkcje agregujące, takie jak:

• .sum() – skumulowana suma wartości,
• .min() – najmniejsza wartość w rosnącym zakresie danych,
• .max() – największa wartość w rosnącym zakresie,
• .median() – skumulowana mediana,
• .std() – skumulowane odchylenie standardowe.

Przykładowo, jeśli chcemy obliczyć skumulowaną sumę przychodów:

df['Suma skumulowana'] = df['Przychód'].expanding().sum()
print(df)

Różnice między expanding() a rolling()

Na koniec warto porównać działanie expanding() i rolling().

Cecha	expanding()	rolling()
Zakres danych	Rozszerza się w miarę postępu	Miejsce w czasie zależne od rozmiaru okna
Zakres okna	Zaczyna od pierwszego punktu i rośnie	Stale obejmuje określoną liczbę ostatnich punktów

Podsumowując, jeśli zależy nam na długoterminowej analizie trendów, expanding() będzie lepszym wyborem, natomiast rolling() sprawdzi się, gdy zależy nam na analizie krótkoterminowych zmian w danych.

 

Inny ciekawy artykuł:

Jak działa pandas rolling w języku Python? Przykład zastosowania