如何使用pd.rolling或pd.ewm实现Pandas自定义指数衰减计算

核心原理 #

你需要的递推公式x[t] = a[t] + x[t-1] * exp(-alpha)本质是输入序列与指数衰减核的线性卷积，完全可以用向量运算实现，无需显式for循环，性能远高于Python原生循环，适合大数据量场景。

方案1：numpy卷积实现（性能最优） #

import pandas as pd
import numpy as np

# 示例数据
df = pd.DataFrame({"a": [1, 0, 0, 2, 0]})
alpha = 0.5  # 自定义衰减参数
decay = np.exp(-alpha)

# 构造指数衰减核
kernel = np.power(decay, np.arange(len(df)))
# 卷积计算后取对应长度的结果
result_arr = np.convolve(df['a'], kernel)[:len(df)]

# 若需要初始值设为nan，取消注释下一行
# result_arr[0] = np.nan

# 转换为DataFrame
newdf = pd.DataFrame(result_arr, columns=['result'])

方案2：pd.ewm实现（符合pandas内置工具需求） #

# 接上述参数定义
decay = np.exp(-alpha)
# adjust=False启用递归计算模式，结果乘以(1-decay)匹配你的计算规则
new_series = df['a'].ewm(alpha=1-decay, adjust=False).mean() * (1 - decay)
newdf = new_series.to_frame(name='result')

效果验证 #

以alpha = np.log(2)（即decay=0.5）为例，输出结果为：

完全匹配你给出的计算规则。

内容的提问来源于stack exchange，提问作者Hedgehog