foundryts.functions.cumulative_aggregate

foundryts.functions.cumulative_aggregate(aggregate)

返回一个计算单个时间序列中所有值的累计聚合的函数。

累计聚合是逐步为输入时间序列中的每个点计算的，考虑到所有先前的点，包括当前点。

支持的聚合函数：

聚合函数	描述
min	时间序列中当前点之前的最小值。
max	时间序列中当前点之前的最大值。
count	时间序列中当前点之前的所有点的计数。
sum	当前点之前的所有点值的总和。
product	当前点之前的点值的乘积。
mean	当前点之前的所有点值的平均值。
standard_deviation	当前点之前的所有点值的标准差。
difference	当前点值与时间序列中第一个点值之间的差异，提供序列内的相对更改。
percent_change	当前点值与时间序列中第一个点值之间的百分比更改，提供序列内的相对更改率。
first	时间序列中第一个点的值。
last	时间序列中当前（最后）点的值。

参数: aggregate (str) – 应用于每个点的聚合函数，使用上面聚合函数中的一个值。
返回: 一个函数，该函数将单个时间序列作为输入，并为每个点计算指定的聚合，考虑到要评估点之前的所有点。
返回类型: (FunctionNode) -> FunctionNode

数据框架模式

列名	类型	描述
timestamp	pandas.Timestamp	点的时间戳
value	Union[float, str]	点的值

另请参阅

rolling_aggregate(), periodic_aggregate()

注意

此函数仅适用于数值序列。

例子

Copied!1
2
3
4
5
6
7
8
9
10
11
12
13
>>> series = F.points(
...     (2, 10.0), (5, 20.0), (6, 30.0), (7, 40.0), (8, 50.0), (12, 60.0), name="series-1"
... )
# 创建一个数据点序列，名称为 "series-1"。每个数据点由一个时间戳和一个值组成。
>>> series.to_pandas()
                      timestamp  value
0 1970-01-01 00:00:00.000000002   10.0
1 1970-01-01 00:00:00.000000005   20.0
2 1970-01-01 00:00:00.000000006   30.0
3 1970-01-01 00:00:00.000000007   40.0
4 1970-01-01 00:00:00.000000008   50.0
5 1970-01-01 00:00:00.000000012   60.0
# 将数据点序列转换为 Pandas 数据框。时间戳以纳秒为单位从1970年1月1日开始。

Copied!1
2
3
4
5
6
7
8
9
10
11
12
>>> cumulative_agg = F.cumulative_aggregate("mean")(series)
# 使用累计聚合函数计算“平均值”，对时间序列数据进行处理
>>> cumulative_agg.to_pandas()
# 将结果转换为 Pandas DataFrame 格式以便查看
                      timestamp  value
0 1970-01-01 00:00:00.000000002   10.0
1 1970-01-01 00:00:00.000000005   15.0
2 1970-01-01 00:00:00.000000006   20.0
3 1970-01-01 00:00:00.000000007   25.0
4 1970-01-01 00:00:00.000000008   30.0
5 1970-01-01 00:00:00.000000012   35.0
# 输出结果显示每个时间戳对应的累计平均值

←

PREVIOUSfoundryts.NodeCollection

NEXTfoundryts.functions.derivative

→