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:

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().

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.