Appliquer une fonction personnalisée sur une fenêtre glissante avec apply()

Fonctions :

• .rolling().apply()

  La méthode apply() permet d'appliquer une fonction personnalisée sur chaque fenêtre glissante. Plutôt que d'utiliser une fonction d'agrégation prédéfinie comme mean() ou sum(), l'utilisation de apply() avec une fonction lambda permet de personnaliser l'opération à réaliser sur chaque sous-ensemble de données. Cela est utile lorsque des calculs plus complexes ou spécifiques sont nécessaires, comme par exemple le calcul de la médiane, de l'écart-type, ou des statistiques personnalisées.

  Importation :

  import pandas as pd
  import numpy as np

  Attributs :

  Paramètre	Description
  window	Le nombre d'observations sur lesquelles appliquer la fonction. Ce paramètre peut être un nombre entier, définissant la taille de la fenêtre glissante.
  apply()	Permet d'appliquer une fonction personnalisée sur chaque sous-ensemble de données de la fenêtre glissante. La fonction peut être une fonction lambda, une fonction définie par l'utilisateur ou une fonction prédéfinie de la bibliothèque.
  min_periods	Le nombre minimum d'observations non-nulles nécessaires dans la fenêtre pour calculer le résultat. Par défaut, il est égal à la taille de la fenêtre.
  axis	L'axe sur lequel appliquer l'opération (par défaut, 0 pour les lignes).
  closed	Définit si la fenêtre est fermée à gauche, à droite, ou les deux. Par défaut, elle est ouverte à droite.

  Exemple de code :

  import pandas as pd
  import numpy as np
  
  # Création d'un DataFrame exemple
  data = {
      'date': ['2025-01-01', '2025-01-02', '2025-01-03', '2025-01-04', '2025-01-05'],
      'ventes': [100, 150, 200, 250, 300]
  }
  
  df = pd.DataFrame(data)
  
  # Définir la colonne 'date' comme index
  df['date'] = pd.to_datetime(df['date'])
  df.set_index('date', inplace=True)
  
  # Appliquer une fonction personnalisée (médiane) sur une fenêtre glissante de taille 3
  df['custom_rolling'] = df['ventes'].rolling(window=3).apply(lambda x: np.median(x))
  
  # Affichage du DataFrame après application de la fonction personnalisée
  print(df)

  Explication du code :

  
  
   	
  
  Fenêtre glissante avec rolling(window=3) :
  Ici, la méthode rolling(window=3) crée une fenêtre glissante de 3 éléments sur la colonne 'colonne'. La fenêtre glissante va parcourir les valeurs de cette colonne et, à chaque itération, un sous-ensemble de 3 valeurs consécutives sera sélectionné pour l'application de la fonction.
  
   	
  
  Application de la fonction personnalisée avec apply() :
  La méthode apply() permet d'appliquer une fonction à chaque sous-ensemble de données de la fenêtre. Ici, la fonction lambda lambda x: np.median(x) est utilisée pour calculer la médiane des valeurs dans chaque fenêtre glissante de 3 éléments.
  
   	
  
  Résultat :
  À chaque position dans la colonne 'custom_rolling', la médiane des 3 valeurs précédentes dans la colonne 'colonne' sera calculée et stockée. Si les données sont insuffisantes pour remplir la fenêtre (par exemple au début de la série), le résultat sera NaN.
  
  
  🔹 Remarques pratiques
  
   	
  
  Utilisation de fonctions complexes :
  apply() permet d'utiliser n'importe quelle fonction (lambda, fonction utilisateur ou pré-existante) pour appliquer une logique plus complexe sur chaque sous-ensemble de la fenêtre. Cela peut être utile pour calculer des métriques autres que les agrégations classiques, comme la médiane, l'écart-type, des transformations mathématiques, etc.
  
   	
  
  Performance :
  L'application de fonctions personnalisées peut être plus lente que l'utilisation de fonctions d'agrégation standard, surtout si la fenêtre glissante est large et que la fonction appliquée est complexe. Il est donc important de tester la performance de votre code avec de grandes séries de données.
  
   	
  
  Valeurs manquantes :
  Comme pour les autres fonctions glissantes, si la fenêtre ne contient pas suffisamment de valeurs pour effectuer le calcul (par exemple, en début de série), la fonction renverra NaN. Vous pouvez ajuster le comportement avec le paramètre min_periods si nécessaire.
  
   	
  
  Fenêtre variable :
  Si vous souhaitez appliquer cette fonction sur une fenêtre de taille variable, vous pouvez ajuster la taille de la fenêtre en fonction de critères comme la fréquence des données ou des conditions spécifiques à votre analyse.