一、文件的读取和写入
1. 文件读取
import numpy as np
import pandas as pd
df_csv = pd.read_csv(r"C:\Users\zhoukaiwei\Desktop\CSV.csv")
df_csv
| Unnamed: 0 | clum1 | clum2 | clum3 | time | |
|---|---|---|---|---|---|
| 0 | 0 | a | A | 1 | 2020.1.1 |
| 1 | 1 | b | B | 2 | 2020.1.1 |
| 2 | 2 | c | C | 3 | 2020.1.1 |
| 3 | 3 | d | D | 4 | 2020.1.1 |
| 4 | 4 | e | E | 5 | 2020.1.1 |
| 5 | 5 | f | F | 6 | 2020.1.1 |
df_excel = pd.read_excel(r"C:\Users\zhoukaiwei\Desktop\my_excel.xlsx")
df_excel
| Unnamed: 0 | clum1 | clum2 | clum3 | time | |
|---|---|---|---|---|---|
| 0 | 0 | a | A | 1 | 2020.1.1 |
| 1 | 1 | b | B | 2 | 2020.1.1 |
| 2 | 2 | c | C | 3 | 2020.1.1 |
| 3 | 3 | d | D | 4 | 2020.1.1 |
| 4 | 4 | e | E | 5 | 2020.1.1 |
| 5 | 5 | f | F | 6 | 2020.1.1 |
这里有一些常用的公共参数， header=None 表示第一行不作为列名， index_col 表示把某一列或
几列作为索引，索引的内容将会在第三章进行详述， usecols 表示读取列的集合，默认读取所有的
列， parse_dates 表示需要转化为时间的列，关于时间序列的有关内容将在第十章讲解， nrows
表示读取的数据行数。上面这些参数在上述的三个函数里都可以使用。
df_excel = pd.read_excel(r"C:\Users\zhoukaiwei\Desktop\my_excel.xlsx",header = None)
df_excel
| 0 | 1 | 2 | 3 | 4 | |
|---|---|---|---|---|---|
| 0 | NaN | clum1 | clum2 | clum3 | time |
| 1 | 0.0 | a | A | 1 | 2020.1.1 |
| 2 | 1.0 | b | B | 2 | 2020.1.1 |
| 3 | 2.0 | c | C | 3 | 2020.1.1 |
| 4 | 3.0 | d | D | 4 | 2020.1.1 |
| 5 | 4.0 | e | E | 5 | 2020.1.1 |
| 6 | 5.0 | f | F | 6 | 2020.1.1 |
df_excel = pd.read_excel(r"C:\Users\zhoukaiwei\Desktop\my_excel.xlsx",usecols=['clum3'])
df_excel
| clum3 | |
|---|---|
| 0 | 1 |
| 1 | 2 |
| 2 | 3 |
| 3 | 4 |
| 4 | 5 |
| 5 | 6 |
df_excel = pd.read_excel(r"C:\Users\zhoukaiwei\Desktop\my_excel.xlsx",parse_dates=['time'])
df_excel
| Unnamed: 0 | clum1 | clum2 | clum3 | time | |
|---|---|---|---|---|---|
| 0 | 0 | a | A | 1 | 2020-01-01 |
| 1 | 1 | b | B | 2 | 2020-01-01 |
| 2 | 2 | c | C | 3 | 2020-01-01 |
| 3 | 3 | d | D | 4 | 2020-01-01 |
| 4 | 4 | e | E | 5 | 2020-01-01 |
| 5 | 5 | f | F | 6 | 2020-01-01 |
二、基本数据结构
pandas 中具有两种基本的数据存储结构，存储一维 values 的 Series 和存储二维 values
的 DataFrame .
Series 一般由四个部分组成，分别是序列的值 data 、索引 index 、存储类型 dtype 、
序列的名字 name 。其中，索引也可以指定它的名字，默认为空。
A = pd.Series(data = [100,'A',{
'index':5}],
index = pd.Index(['id1','id2','id3'],name = 'index'),
dtype = 'object',name = 'my_name')
A
index
id1 100
id2 A
id3 {'index': 5}
Name: my_name, dtype: object
获取属性
A.values
array([100, 'A', {'index': 5}], dtype=object)
A.index
Index(['id1', 'id2', 'id3'], dtype='object', name='index')
A.dtype
dtype('O')
A.shape
(3,)
A['id2']
'A'
DataFrame 在 Series 的基础上增加了列索引，一个数据框可以由二维的 data 与行列索引来构造：
import pandas as pd
data = [[1,'a',1.2],[2,'b',2.2],[3,'c',3.2]]
df = pd.DataFrame(data = data,index = ['a_%d'%i for i in range(3)],columns = ['b_%d'%i for i in range(3)])
df
| b_0 | b_1 | b_2 | |
|---|---|---|---|
| a_0 | 1 | a | 1.2 |
| a_1 | 2 | b | 2.2 |
| a_2 | 3 | c | 3.2 |
用从列索引名到数据的映射来构造数据框，同时再加上行索引：
data = pd.DataFrame(data = {
'col_0':[1,2,3],'col_1':list('abc'),'col_2':[1.2,2.2,3.2]},
index = ['row_%d'%i for i in range(3)])
data
| col_0 | col_1 | col_2 | |
|---|---|---|---|
| row_0 | 1 | a | 1.2 |
| row_1 | 2 | b | 2.2 |
| row_2 | 3 | c | 3.2 |
data['col_1']
row_0 a
row_1 b
row_2 c
Name: col_1, dtype: object
data.values
array([[1, 'a', 1.2],
[2, 'b', 2.2],
[3, 'c', 3.2]], dtype=object)
data.shape#大小
(3, 3)
data.T#转置
| row_0 | row_1 | row_2 | |
|---|---|---|---|
| col_0 | 1 | 2 | 3 |
| col_1 | a | b | c |
| col_2 | 1.2 | 2.2 | 3.2 |
三、常用基本函数
import pandas as pd
df = pd.read_csv(r'C:\Users\zhoukaiwei\Desktop\joyful-pandas\data\learn_pandas.csv')
df.columns
Index(['School', 'Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer',
'Test_Number', 'Test_Date', 'Time_Record'],
dtype='object')
head, tail 函数分别表示返回表或者序列的前 n 行和后 n 行，其中 n 默认为5：
df = df[df.columns[:7]]
df.head(3)
| School | Grade | Name | Gender | Height | Weight | Transfer | |
|---|---|---|---|---|---|---|---|
| 0 | Shanghai Jiao Tong University | Freshman | Gaopeng Yang | Female | 158.9 | 46.0 | N |
| 1 | Peking University | Freshman | Changqiang You | Male | 166.5 | 70.0 | N |
| 2 | Shanghai Jiao Tong University | Senior | Mei Sun | Male | 188.9 | 89.0 | N |
df.tail(5)
df
| School | Grade | Name | Gender | Height | Weight | Transfer | |
|---|---|---|---|---|---|---|---|
| 0 | Shanghai Jiao Tong University | Freshman | Gaopeng Yang | Female | 158.9 | 46.0 | N |
| 1 | Peking University | Freshman | Changqiang You | Male | 166.5 | 70.0 | N |
| 2 | Shanghai Jiao Tong University | Senior | Mei Sun | Male | 188.9 | 89.0 | N |
| 3 | Fudan University | Sophomore | Xiaojuan Sun | Female | NaN | 41.0 | N |
| 4 | Fudan University | Sophomore | Gaojuan You | Male | 174.0 | 74.0 | N |
| ... | ... | ... | ... | ... | ... | ... | ... |
| 195 | Fudan University | Junior | Xiaojuan Sun | Female | 153.9 | 46.0 | N |
| 196 | Tsinghua University | Senior | Li Zhao | Female | 160.9 | 50.0 | N |
| 197 | Shanghai Jiao Tong University | Senior | Chengqiang Chu | Female | 153.9 | 45.0 | N |
| 198 | Shanghai Jiao Tong University | Senior | Chengmei Shen | Male | 175.3 | 71.0 | N |
| 199 | Tsinghua University | Sophomore | Chunpeng Lv | Male | 155.7 | 51.0 | N |
200 rows × 7 columns
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entries, 0 to 199
Data columns (total 7 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 School 200 non-null object
1 Grade 200 non-null object
2 Name 200 non-null object
3 Gender 200 non-null object
4 Height 183 non-null float64
5 Weight 189 non-null float64
6 Transfer 188 non-null object
dtypes: float64(2), object(5)
memory usage: 11.1+ KB
df.describe()
| Height | Weight | |
|---|---|---|
| count | 183.000000 | 189.000000 |
| mean | 163.218033 | 55.015873 |
| std | 8.608879 | 12.824294 |
| min | 145.400000 | 34.000000 |
| 25% | 157.150000 | 46.000000 |
| 50% | 161.900000 | 51.000000 |
| 75% | 167.500000 | 65.000000 |
| max | 193.900000 | 89.000000 |
df['School'].unique()#得到唯一值组成的列表
array(['Shanghai Jiao Tong University', 'Peking University',
'Fudan University', 'Tsinghua University'], dtype=object)
df['School'].nunique()#得到唯一值的个数
4
df['School'].value_counts()#value_counts 可以得到唯一值和其对应出现的频数：
Tsinghua University 69
Shanghai Jiao Tong University 57
Fudan University 40
Peking University 34
Name: School, dtype: int64
使用 drop_duplicates得到多个列组合的唯一值，其中的关键参数是 keep ，默认值 first 表示每
个组合保留第一次出现的所在行， last 表示保留最后一次出现的所在行， False 表示把所有重
复组合所在的行剔除。
df_A = df[['School','Transfer','Name']]
df_A
| School | Transfer | Name | |
|---|---|---|---|
| 0 | Shanghai Jiao Tong University | N | Gaopeng Yang |
| 1 | Peking University | N | Changqiang You |
| 2 | Shanghai Jiao Tong University | N | Mei Sun |
| 3 | Fudan University | N | Xiaojuan Sun |
| 4 | Fudan University | N | Gaojuan You |
| ... | ... | ... | ... |
| 195 | Fudan University | N | Xiaojuan Sun |
| 196 | Tsinghua University | N | Li Zhao |
| 197 | Shanghai Jiao Tong University | N | Chengqiang Chu |
| 198 | Shanghai Jiao Tong University | N | Chengmei Shen |
| 199 | Tsinghua University | N | Chunpeng Lv |
200 rows × 3 columns
df_A.drop_duplicates(['School','Transfer'])
| School | Transfer | Name | |
|---|---|---|---|
| 0 | Shanghai Jiao Tong University | N | Gaopeng Yang |
| 1 | Peking University | N | Changqiang You |
| 3 | Fudan University | N | Xiaojuan Sun |
| 5 | Tsinghua University | N | Xiaoli Qian |
| 12 | Shanghai Jiao Tong University | NaN | Peng You |
| 36 | Peking University | Y | Xiaojuan Qin |
| 43 | Tsinghua University | Y | Gaoli Feng |
| 69 | Tsinghua University | NaN | Chunquan Xu |
| 84 | Fudan University | NaN | Yanjuan Lv |
| 102 | Peking University | NaN | Chengli Zhao |
| 131 | Fudan University | Y | Chengpeng Qian |
4. 替换函数
一般而言，替换操作是针对某一个列进行的，因此下面的例子都以 Series 举例。 pandas 中的
替换函数可以归纳为三类：映射替换、逻辑替换、数值替换。其中映射替换包含 replace 方法、
str.replace 方法以及cat.codes 方法，此处介绍 replace 的用法。
在 replace 中，可以通过字典构造，或者传入两个列表来进行替换：
#df = pd.read_csv(r'C:\Users\zhoukaiwei\Desktop\joyful-pandas\data\learn_pandas.csv')
#df = df[df.columns[:7]]
df['Gender'].replace({
'Female':0, 'Male':1}).head()
0 0
1 1
2 1
3 0
4 1
Name: Gender, dtype: int64
5. 排序函数
排序共有两种方式，其一为值排序，其二为索引排序，对应的函数是 sort_values 和 sort_index 。
参数 ascending=True 为升序：
df_A = df[['Grade', 'Name', 'Height',
....: 'Weight']].set_index(['Grade','Name'])
df_A.sort_values('Height').head()#升序排列
| Height | Weight | ||
|---|---|---|---|
| Grade | Name | ||
| Junior | Xiaoli Chu | 145.4 | 34.0 |
| Senior | Gaomei Lv | 147.3 | 34.0 |
| Sophomore | Peng Han | 147.8 | 34.0 |
| Senior | Changli Lv | 148.7 | 41.0 |
| Sophomore | Changjuan You | 150.5 | 40.0 |
df_A.sort_values('Height', ascending=False).head()#降序排列
| Height | Weight | ||
|---|---|---|---|
| Grade | Name | ||
| Senior | Xiaoqiang Qin | 193.9 | 79.0 |
| Mei Sun | 188.9 | 89.0 | |
| Gaoli Zhao | 186.5 | 83.0 | |
| Freshman | Qiang Han | 185.3 | 87.0 |
| Senior | Qiang Zheng | 183.9 | 87.0 |
df_A.sort_values(['Weight','Height'],ascending=[True,False]).head(10)
| Height | Weight | ||
|---|---|---|---|
| Grade | Name | ||
| Sophomore | Peng Han | 147.8 | 34.0 |
| Senior | Gaomei Lv | 147.3 | 34.0 |
| Junior | Xiaoli Chu | 145.4 | 34.0 |
| Sophomore | Qiang Zhou | 150.5 | 36.0 |
| Freshman | Yanqiang Xu | 152.4 | 38.0 |
| Qiang Han | 151.8 | 38.0 | |
| Senior | Chengpeng Zheng | 151.7 | 38.0 |
| Sophomore | Mei Xu | 154.2 | 39.0 |
| Freshman | Xiaoquan Sun | 154.6 | 40.0 |
| Sophomore | Qiang Sun | 154.3 | 40.0 |
df_A.sort_index(level = ['Grade','Name'],ascending=[True,False]).head(10)
| Height | Weight | ||
|---|---|---|---|
| Grade | Name | ||
| Freshman | Yanquan Wang | 163.5 | 55.0 |
| Yanqiang Xu | 152.4 | 38.0 | |
| Yanqiang Feng | 162.3 | 51.0 | |
| Yanpeng Lv | NaN | 65.0 | |
| Yanli Zhang | 165.1 | 52.0 | |
| Yanjuan Zhao | NaN | 53.0 | |
| Yanjuan Han | 163.7 | 49.0 | |
| Xiaoquan Sun | 154.6 | 40.0 | |
| Xiaopeng Zhou | 174.1 | 74.0 | |
| Xiaopeng Zhao | 161.0 | 53.0 |
6. apply方法
apply 方法常用于 DataFrame 的行迭代或者列迭代，它的 axis 含义与第2小节中的统计聚合函
数一致， apply 的参数往往是一个以序列为输入的函数。例如对于 .mean() ，使用 apply 可
以如下地写出：
#df = pd.read_csv(r'C:\Users\zhoukaiwei\Desktop\joyful-pandas\data\learn_pandas.csv')
df_A = df[['Height','Weight']]
df_A
def A_mean(x):
res = x.mean()
return res
df_A.apply(A_mean)
Height 163.218033
Weight 55.015873
dtype: float64
df_A.apply(lambda x: x.mean())#使用lambda表达式
Height 163.218033
Weight 55.015873
dtype: float64
四、窗口对象
pandas 中有3类窗口，分别是滑动窗口 rolling 、扩张窗口 expanding 以及指数加权窗口 ewm 。
1. 滑窗对象
要使用滑窗函数，就必须先要对一个序列使用 .rolling 得到滑窗对象，
其最重要的参数为窗口大小 window 。例如：
s = pd.Series([1,2,3,4,5])
A = s.rolling(window = 3)
A
Rolling [window=3,center=False,axis=0]
在得到了滑窗对象后，能够使用相应的聚合函数进行计算，需要注意的是窗口包含当前行所在的元素，例如在第四个位置进行均值运算时，应当计算(2+3+4)/3，
而不是(1+2+3)/3：
A.mean()
0 NaN
1 NaN
2 2.0
3 3.0
4 4.0
dtype: float64
A.sum()
0 NaN
1 NaN
2 6.0
3 9.0
4 12.0
dtype: float64
#计算滑动窗口的相关系数和协方差
s = pd.Series([1,2,6,16,30])
A.cov(s)
0 NaN
1 NaN
2 2.5
3 7.0
4 12.0
dtype: float64
A.corr(s)
0 NaN
1 NaN
2 0.944911
3 0.970725
4 0.995402
dtype: float64
shift, diff, pct_change 是一组类滑窗函数，它们的公共参数为 periods=n ，默认为1
，分别表示取向前第 n 个元素的值、与向前第 n 个元素做差（与 Numpy 中不同，
后者表示 n 阶差分）、与向前第 n 个元素相比计算增长率。这里的 n 可以为负，表示反方
向的类似操作。
s = pd.Series([1,3,6,10,15])
s.shift(1)
0 NaN
1 1.0
2 3.0
3 6.0
4 10.0
dtype: float64
s.diff(2)
0 NaN
1 NaN
2 5.0
3 7.0
4 9.0
dtype: float64
s.pct_change()
0 NaN
1 2.000000
2 1.000000
3 0.666667
4 0.500000
dtype: float64
s.shift(-1)
0 3.0
1 6.0
2 10.0
3 15.0
4 NaN
dtype: float64
2. 扩张窗口
s = pd.Series([1, 3, 6, 10])
s.expanding().mean()
0 1.000000
1 2.000000
2 3.333333
3 5.000000
dtype: float64
五、练习
Ex1：口袋妖怪数据集
现有一份口袋妖怪的数据集，下面进行一些背景说明：
#代表全国图鉴编号，不同行存在相同数字则表示为该妖怪的不同状态
妖怪具有单属性和双属性两种，对于单属性的妖怪， Type 2 为缺失值
Total, HP, Attack, Defense, Sp. Atk, Sp. Def, Speed 分别代表种族值、体力、物攻、防御、
特攻、特防、速度，其中种族值为后6项之和
df = pd.read_csv(r'C:\Users\zhoukaiwei\Desktop\joyful-pandas\data\pokemon.csv')
df.head()
| # | Name | Type 1 | Type 2 | Total | HP | Attack | Defense | Sp. Atk | Sp. Def | Speed | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | Bulbasaur | Grass | Poison | 318 | 45 | 49 | 49 | 65 | 65 | 45 |
| 1 | 2 | Ivysaur | Grass | Poison | 405 | 60 | 62 | 63 | 80 | 80 | 60 |
| 2 | 3 | Venusaur | Grass | Poison | 525 | 80 | 82 | 83 | 100 | 100 | 80 |
| 3 | 3 | VenusaurMega Venusaur | Grass | Poison | 625 | 80 | 100 | 123 | 122 | 120 | 80 |
| 4 | 4 | Charmander | Fire | NaN | 309 | 39 | 52 | 43 | 60 | 50 | 65 |
1.对 HP, Attack, Defense, Sp. Atk, Sp. Def, Speed 进行加总，验证是否为 Total 值。
A = (df[['HP','Attack','Defense','Sp. Atk','Sp. Def','Speed']]).sum(1)
A
0 318
1 405
2 525
3 625
4 309
...
795 600
796 700
797 600
798 680
799 600
Length: 800, dtype: int64
x= (A != df['Total']).mean()
x
0.0
对于 # 重复的妖怪只保留第一条记录，解决以下问题：
求第一属性的种类数量和前三多数量对应的种类
df_A = df.drop_duplicates('#',keep='first')
df_A.head()
| # | Name | Type 1 | Type 2 | Total | HP | Attack | Defense | Sp. Atk | Sp. Def | Speed | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | Bulbasaur | Grass | Poison | 318 | 45 | 49 | 49 | 65 | 65 | 45 |
| 1 | 2 | Ivysaur | Grass | Poison | 405 | 60 | 62 | 63 | 80 | 80 | 60 |
| 2 | 3 | Venusaur | Grass | Poison | 525 | 80 | 82 | 83 | 100 | 100 | 80 |
| 4 | 4 | Charmander | Fire | NaN | 309 | 39 | 52 | 43 | 60 | 50 | 65 |
| 5 | 5 | Charmeleon | Fire | NaN | 405 | 58 | 64 | 58 | 80 | 65 | 80 |
df_A['Type 1'].nunique()
18
df_A['Type 1'].value_counts().head(3)
Water 105
Normal 93
Grass 66
Name: Type 1, dtype: int64
求第一属性和第二属性的组合种类
df_B = df_A.drop_duplicates(['Type 1','Type 2'])
df_B.shape[0]
143
求尚未出现过的属性组合
import numpy as np
L_full = [i+' '+j for i in df['Type 1'].unique() for j in (
df['Type 1'].unique().tolist() + [''])]
L_part = [i+' '+j for i, j in zip(df['Type 1'], df['Type 2'
].replace(np.nan, ''))]
res = set(L_full).difference(set(L_part))
len(res)
188
按照下述要求，构造 Series ：
取出物攻，超过120的替换为 high ，不足50的替换为 low ，否则设为 mid111
res = df['Attack'].mask(df['Attack'] > 120, 'high').mask(df['Attack']<50, 'low'
).mask((50<=df['Attack'])&(df['Attack']<=120), 'mid')
res
0 low
1 mid
2 mid
3 mid
4 mid
...
795 mid
796 high
797 mid
798 high
799 mid
Name: Attack, Length: 800, dtype: object
取出第一属性，分别用 replace 和 apply 替换所有字母为大写
df['Type 1'].replace({
i:str.upper(i) for i in df['Type 1']})
0 GRASS
1 GRASS
2 GRASS
3 GRASS
4 FIRE
...
795 ROCK
796 ROCK
797 PSYCHIC
798 PSYCHIC
799 FIRE
Name: Type 1, Length: 800, dtype: object
df['Type 1'].apply(lambda x:str.upper(x))
0 GRASS
1 GRASS
2 GRASS
3 GRASS
4 FIRE
...
795 ROCK
796 ROCK
797 PSYCHIC
798 PSYCHIC
799 FIRE
Name: Type 1, Length: 800, dtype: object
求每个妖怪六项能力的离差，即所有能力中偏离中位数最大的值，添加到 df 并从大到小排序
df['Deviation'] = df[['HP', 'Attack', 'Defense', 'Sp. Atk',
'Sp. Def', 'Speed']].apply(lambda x:np.max(
(x-x.median()).abs()), 1)
df.sort_values('Deviation', ascending=False).head()
| # | Name | Type 1 | Type 2 | Total | HP | Attack | Defense | Sp. Atk | Sp. Def | Speed | Deviation | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 230 | 213 | Shuckle | Bug | Rock | 505 | 20 | 10 | 230 | 10 | 230 | 5 | 215.0 |
| 121 | 113 | Chansey | Normal | NaN | 450 | 250 | 5 | 5 | 35 | 105 | 50 | 207.5 |
| 261 | 242 | Blissey | Normal | NaN | 540 | 255 | 10 | 10 | 75 | 135 | 55 | 190.0 |
| 333 | 306 | AggronMega Aggron | Steel | NaN | 630 | 70 | 140 | 230 | 60 | 80 | 50 | 155.0 |
| 224 | 208 | SteelixMega Steelix | Steel | Ground | 610 | 75 | 125 | 230 | 55 | 95 | 30 | 145.0 |
Ex2：指数加权窗口
作为扩张窗口的 ewm 窗口
在扩张窗口中，用户可以使用各类函数进行历史的累计指标统计，但这些内置的统计函数往往把
窗口中的所有元素赋予了同样的权重。事实上，可以给出不同的权重来赋给窗口中的元素，
指数加权窗口就是这样一种特殊的扩张窗口。
其中，最重要的参数是 alpha ，它决定了默认情况下的窗口权重为 wi=(1−α)i,i∈{0,1,…,t} ，
其中 i=t 表示当前元素， i=0 表示序列的第一个元素。
从权重公式可以看出，离开当前值越远则权重越小，若记原序列为 x ，更新后的当前元素为 yt ，此时通过加权公式归一化后可知：
np.random.seed(0)
s = pd.Series(np.random.randint(-1,2,30).cumsum())
s.head()
0 -1
1 -1
2 -2
3 -2
4 -2
dtype: int32
s.ewm(alpha=0.2).mean().head()
0 -1.000000
1 -1.000000
2 -1.409836
3 -1.609756
4 -1.725845
dtype: float64
请用 expanding 窗口实现。
作为滑动窗口的 ewm 窗口
从第1问中可以看到， ewm 作为一种扩张窗口的特例，只能从序列的第一个元素开始加权。
现在希望给定一个限制窗口 n ，只对包含自身的最近的 n 个元素作为窗口进行滑动加权平滑。
请根据滑窗函数，给出新的 wi 与 yt 的更新公式，并通过 rolling窗口实现这一功能。
刚开始学pandas，有幸能加入datawhale小组去和大家一块学习，有很多问题存在，最后一题没看懂，笔者正在努力学习，希望大家给出宝贵意见。
参考：参考文献