Pandas Rolling Window: Rolling, Expanding und EWM

Name: Rajiv Chandra

Updated on 30.11.2025

Gleitende Durchschnitte und geglättete Signale sind zentral für die Zeitreihenanalyse, dennoch kämpfen viele Teams mit Fenster-Ausrichtung, fehlenden Werten und langsamen Python-Schleifen.

Problem: Rolling-Statistiken von Hand zu berechnen ist fehleranfällig und oft nicht korrekt mit Zeitstempeln ausgerichtet.
Agitate: Schleifen und ad-hoc shifts führen zu Off-by-one-Fehlern, Lücken in frühen Perioden und trägen Notebooks.
Solution: Nutze rolling, expanding und ewm mit den richtigen Fensterdefinitionen (min_periods, zeitbasierte Fenster, center, adjust), um korrekte, schnelle, vektorisierte Ergebnisse zu erhalten.

Want an AI agent that understands your pandas notebooks and rolling-window features?

RunCell is a JupyterLab AI agent that can read your code, analyze DataFrames, understand notebook context, debug errors, and even generate & execute code for you. It works directly inside JupyterLab—no switching windows or copy-pasting.

👉 Try RunCell: runcell.dev (opens in a new tab)

Schnellreferenz

Fenstertyp	Am besten geeignet für	Wichtige Parameter
`rolling`	Gleitende Durchschnitte, Volatilität, benutzerdefinierte Fensterfunktionen	`window=3` (oder `"7D"`), `min_periods`, `center`, `win_type`, `on`
`expanding`	Kumulative Statistiken ab Start	`min_periods`
`ewm`	Exponentielle Glättung oder gewichtete Metriken	`span`, `alpha`, `halflife`, `adjust`, `times`

Beispieldaten

import pandas as pd
 
dates = pd.date_range("2024-01-01", periods=8, freq="D")
sales = pd.DataFrame({"date": dates, "revenue": [10, 12, 9, 14, 15, 13, 11, 16]})
sales = sales.set_index("date")

Rolling Windows (fix und zeitbasiert)

Fenster mit fester Größe

sales["rev_ma3"] = (
    sales["revenue"]
    .rolling(window=3, min_periods=2)
    .mean()
)

min_periods steuert, wann Ergebnisse beginnen; frühe Zeilen bleiben NaN, bis die Mindestanzahl erreicht ist.
center=True richtet die Statistik auf die Mitte des Fensters aus (praktisch für Plots).

Zeitbasierte Fenster auf Datetime-Index oder `on=`-Spalte

sales_reset = sales.reset_index()
sales_reset["rev_7d_mean"] = (
    sales_reset.rolling("7D", on="date")["revenue"].mean()
)

Verwende Dauer-Strings ("7D", "48H") für unregelmäßige Abtastung; pandas wählt Zeilen innerhalb des Rückblick-Horizonts statt einer festen Anzahl.
Für das Zuschneiden an den Rändern passe closed="left" oder "right" an.

Benutzerdefinierte Fensterfunktionen

sales["rev_range"] = (
    sales["revenue"].rolling(4).apply(lambda x: x.max() - x.min(), raw=True)
)

Setze raw=True, um innerhalb von apply mit NumPy-Arrays zu arbeiten und so schneller zu sein.

Expanding Windows (kumulativ)

sales["rev_cum_mean"] = sales["revenue"].expanding(min_periods=2).mean()

Verwende expanding, wenn jede Beobachtung alles bis zu diesem Zeitpunkt sehen soll (laufender Durchschnitt, kumulative Verhältnisse).
Kombiniere mit shift(), um den neuesten Wert mit dem historischen Durchschnitt zu vergleichen.

Exponentiell gewichtete Fenster

sales["rev_ewm_span4"] = sales["revenue"].ewm(span=4, adjust=False).mean()

adjust=False nutzt eine rekursive Formel, die der typischen Glättung in Analytics-Dashboards entspricht.
halflife bietet eine intuitive Abnahme: ewm(halflife=3) halbiert das Gewicht alle 3 Perioden.
Für unregelmäßige Zeitstempel übergib times="date" (oder setze den Index), um nach tatsächlichen Zeitabständen statt nach Zeilenzählung zu gewichten.

Das richtige Fenster wählen (Cheat Sheet)

Ziel	Empfohlene Methode	Hinweise
Kurzfristiges Rauschen glätten	`rolling` mit kleinem `window` und `center=True`	Funktioniert auf numerischen Spalten; halte `min_periods` ≥ 1 für frühe Sichtbarkeit
Laufende Summen oder Durchschnitte ab Start	`expanding`	Kein fixes Fenster; ideal für KPIs, die sich aufsummieren
Ältere Beobachtungen abgewichtet einbeziehen	`ewm(span=...)`	Besser als große rolling-Fenster für Momentum-ähnliche Signale
Unregelmäßige Zeitstempel	Zeitbasiertes `rolling("7D", on="date")` oder `ewm(..., times="date")`	Vermeidet Verzerrungen durch Tage mit dichterer Stichprobe
Feature-Generierung	`rolling().agg(["mean","std","min","max"])`	Multi-Aggregation erzeugt schnell saubere Feature-Sets

Performance- und Korrektheits-Tipps

Halte Datetime-Spalten im Typ datetime64[ns] und setze einen Index, wenn du stark mit zeitbasierten Fenstern arbeitest.
Bevorzuge eingebaute Aggregationen (mean, std, sum, count) gegenüber Python-apply für bessere Performance.
Vermeide Look-ahead-Bias: shift() vor rolling einsetzen, wenn du Features für Supervised Learning baust.
Kombiniere mit resample, um die Frequenz vor dem Rolling zu normalisieren, falls die Quelldaten unregelmäßig sind.

Rolling-, expanding- und exponentielle Fenster decken den Großteil der Glättungs- und Feature-Engineering-Anforderungen ohne Schleifen ab. Kombiniere sie mit pandas-to-datetime und pandas-resample für saubere Zeitachsen, und du erhältst schnelle, zuverlässige Metriken, die direkt für Charts oder Modelle bereitstehen.