Pandas Rolling Window: Janelas Rolling, Expanding e EWM

Name: Rajiv Chandra

Updated on 30/11/2025

Médias móveis e sinais suavizados são centrais em análise de séries temporais, mas muitas equipes têm dificuldades com alinhamento de janelas, valores ausentes e loops lentos em Python.

Problema: Calcular estatísticas rolling “na mão” é propenso a erros e muitas vezes fica desalinhado com os timestamps.
Agravante: Loops e shifts ad hoc produzem erros de off-by-one, lacunas nos períodos iniciais e notebooks lentos.
Solução: Use rolling, expanding e ewm com as definições corretas de janela (min_periods, janelas baseadas em tempo, center, adjust) para obter resultados corretos, rápidos e vetorizados.

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)

Referência Rápida

Tipo de janela	Melhor uso	Principais parâmetros
`rolling`	Médias móveis, volatilidade, funções personalizadas de janela	`window=3` (ou `"7D"`), `min_periods`, `center`, `win_type`, `on`
`expanding`	Estatísticas cumulativas desde o início	`min_periods`
`ewm`	Suavização com decaimento exponencial ou métricas ponderadas	`span`, `alpha`, `halflife`, `adjust`, `times`

Dados de Exemplo

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")

Janelas Rolling (Fixas e Baseadas em Tempo)

Janelas de tamanho fixo

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

min_periods controla quando os resultados começam; as primeiras linhas ficam como NaN até que a contagem mínima seja atingida.
center=True alinha a estatística ao meio da janela (útil para gráficos).

Janelas baseadas em tempo em índice datetime ou coluna `on=`

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

Use strings de duração ("7D", "48H") para amostragem irregular; o pandas escolhe as linhas dentro do horizonte de lookback em vez de uma contagem fixa.
Para controlar se o intervalo inclui bordas antes/depois, ajuste closed="left" ou "right" conforme necessário.

Funções de janela personalizadas

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

Defina raw=True para trabalhar com arrays NumPy dentro de apply e ganhar desempenho.

Janelas Expanding (Cumulativas)

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

Use expanding quando cada observação deve enxergar tudo o que veio antes (média móvel cumulativa, razões cumulativas).
Combine com shift() para comparar o valor mais recente com a média histórica.

Janelas Exponentially Weighted (EWM)

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

adjust=False usa a fórmula recursiva que espelha a suavização típica em dashboards de analytics.
halflife oferece um decaimento intuitivo: ewm(halflife=3) reduz o peso pela metade a cada 3 períodos.
Para timestamps irregulares, passe times="date" (ou defina o índice) para ponderar por deltas de tempo reais em vez de contagem de linhas.

Escolhendo a Janela Certa (Cheat Sheet)

Objetivo	Método recomendado	Observações
Suavizar ruído de curto prazo	`rolling` com `window` pequeno e `center=True`	Funciona em colunas numéricas; mantenha `min_periods` ≥ 1 para visibilidade inicial
Totais ou médias corridas desde o início	`expanding`	Não tem janela fixa; ótimo para KPIs acumulativos
Dar menos peso a observações antigas	`ewm(span=...)`	Melhor que janelas rolling grandes para sinais de momentum
Timestamps irregulares	`rolling("7D", on="date")` baseado em tempo ou `ewm(..., times="date")`	Evita viés de dias com amostragem mais densa
Geração de features	`rolling().agg(["mean","std","min","max"])`	Multi-agregação cria conjuntos de features organizados rapidamente

Dicas de Performance e Corretude

Mantenha colunas de data/hora como datetime64[ns] e defina um índice ao trabalhar intensamente com janelas baseadas em tempo.
Prefira agregações nativas (mean, std, sum, count) em vez de apply em Python para melhor desempenho.
Evite viés com visão para o futuro: use shift() antes de aplicar rolling ao construir features para aprendizado supervisionado.
Combine com resample para normalizar a frequência antes de aplicar rolling se os dados de origem forem irregulares.

Janelas rolling, expanding e exponenciais cobrem a maior parte das necessidades de suavização e feature engineering sem loops. Combine-as com pandas-to-datetime e pandas-resample para eixos de tempo limpos, e você terá métricas rápidas e confiáveis, prontas para gráficos ou modelos.