Ventana móvil en Pandas: Rolling, Expanding y EWM

Name: Rajiv Chandra

Updated on 30/11/2025

Las medias móviles y las señales suavizadas son fundamentales en el análisis de series temporales, pero muchos equipos tienen problemas con la alineación de ventanas, los valores faltantes y los bucles lentos en Python.

Problema: Calcular estadísticas móviles “a mano” es propenso a errores y suele quedar desalineado con las marcas de tiempo.
Agitación: Los bucles y los desplazamientos ad hoc generan errores de desfase (off‑by‑one), huecos en los primeros periodos y notebooks lentos.
Solución: Usa rolling, expanding y ewm con las definiciones de ventana adecuadas (min_periods, ventanas basadas en tiempo, center, adjust) para obtener resultados correctos, rápidos y vectorizados.

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)

Referencia rápida

Tipo de ventana	Mejor uso	Parámetros clave
`rolling`	Medias móviles, volatilidad, funciones personalizadas de ventana	`window=3` (o `"7D"`), `min_periods`, `center`, `win_type`, `on`
`expanding`	Estadísticas acumuladas desde el inicio	`min_periods`
`ewm`	Suavizado con decaimiento exponencial o métricas ponderadas	`span`, `alpha`, `halflife`, `adjust`, `times`

Datos de ejemplo

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")

Ventanas móviles (fijas y basadas en tiempo)

Ventanas de tamaño fijo

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

min_periods controla cuándo empiezan a aparecer resultados; las filas tempranas permanecen como NaN hasta que se cumple el mínimo de observaciones.
center=True alinea la estadística en el centro de la ventana (muy útil para gráficos).

Ventanas basadas en tiempo sobre un índice datetime o columna `on=`

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

Usa cadenas de duración ("7D", "48H") para muestreo irregular; pandas selecciona las filas dentro del horizonte de retrospectiva en vez de un conteo fijo.
Para controlar la inclusión de bordes, ajusta closed="left" o "right" según lo necesites.

Funciones de ventana personalizadas

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

Configura raw=True para trabajar con arrays de NumPy dentro de apply y ganar velocidad.

Ventanas expansivas (acumulativas)

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

Usa expanding cuando cada observación deba ver todo lo ocurrido hasta ese punto (media móvil acumulada, ratios acumulados).
Combínalo con shift() para comparar el valor más reciente contra el promedio histórico.

Ventanas con ponderación exponencial

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

adjust=False utiliza una fórmula recursiva que imita el suavizado típico en paneles analíticos.
halflife ofrece un decaimiento intuitivo: ewm(halflife=3) reduce a la mitad el peso cada 3 periodos.
Para marcas de tiempo irregulares, pasa times="date" (o establece el índice) para ponderar por los deltas de tiempo reales en lugar de por el número de filas.

Cómo elegir la ventana adecuada (chuleta)

Objetivo	Método recomendado	Notas
Suavizar ruido a corto plazo	`rolling` con `window` pequeño y `center=True`	Funciona sobre columnas numéricas; mantén `min_periods` ≥ 1 para ver datos desde el inicio
Totales o promedios acumulados desde el inicio	`expanding`	Sin ventana fija; ideal para KPIs que se acumulan
Hacer que las observaciones antiguas pesen menos	`ewm(span=...)`	Mejor que ventanas `rolling` grandes para señales tipo momentum
Tiempos irregulares	`rolling("7D", on="date")` o `ewm(..., times="date")` basados en tiempo	Evita sesgos por días con muestreo más denso
Generación de features	`rolling().agg(["mean","std","min","max"])`	La multi‑agregación genera rápidamente conjuntos ordenados de features

Consejos de rendimiento y corrección

Mantén las columnas de fechas como datetime64[ns] y define un índice cuando trabajes intensamente con ventanas basadas en tiempo.
Prioriza las agregaciones integradas (mean, std, sum, count) sobre apply en Python para ganar velocidad.
Evita el sesgo con información futura: aplica shift() antes de rolling si estás construyendo features para aprendizaje supervisado.
Combina con resample para normalizar la frecuencia antes de usar ventanas móviles si los datos de origen son irregulares.

rolling, expanding y las ventanas exponenciales cubren la mayoría de las necesidades de suavizado e ingeniería de features sin usar bucles. Combínalos con pandas-to-datetime y pandas-resample para obtener ejes de tiempo limpios, y así conseguir métricas rápidas y fiables listas para gráficos o modelos.