【タイムシリーズ応用】resample・rolling・ewmで時系列分析をマスター

Q: shiftとdiffの違いは何ですか？

shiftは何も計算せずにデータを移動します。diffは差分を計算します。 s.diff() = s - s.shift(1) です。shiftはラグ特徴量の構築（ML）に使用し、diffは変化量の抽出（トレンド分析）に使用します。pct_changeは変化率を計算します： s.pct_change() = (s - s.shift(1)) / s.shift(1) 。

レッスン16では日付時刻型を学びました。本レッスンでは実践的なタイムシリーズ分析に踏み込みます。resampleは日次データを月次サマリーに変換し、shift/diffはラグ特徴量を構築し、3つのウィンドウ関数（rolling/expanding/ewm）はトレンドとボラティリティを明確にします。これは定量分析やML特徴量エンジニアリングの核となる基礎です。

⚠️ 注意： 以下のコードを実行するには、ローカルのPython環境が必要です。

1. 本レッスンで学ぶこと

❶ resample — リサンプリング
❷ shift / diff / pct_change
❸ rolling — 移動ウィンドウ
❹ expanding — 累積ウィンドウ
❺ ewm — 指数加重

2. アリスのコーヒーショップ月次レポート

(1) 課題：日次データは粒度が細かすぎる — 月次集計が必要

アリスは90日分の日次売上データを持っており、上司は月次レポートを求めています：

PYTHON

import pandas as pd
import numpy as np

np.random.seed(42)
df = pd.DataFrame({
    'sales': np.random.poisson(50, 90) * 10,
    'customers': np.random.poisson(30, 90)
}, index=pd.date_range('2024-01-01', periods=90))
# 日次データ → 月次サマリーが必要

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

(2) 解決策：resampleで1行集計

▶ サンプル：resample月次集計（難易度 ⭐）

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

PYTHON

import pandas as pd
import numpy as np

np.random.seed(42)
df = pd.DataFrame({
    'sales': np.random.poisson(50, 90) * 10,
    'customers': np.random.poisson(30, 90)
}, index=pd.date_range('2024-01-01', periods=90))

# 日次 → 月次にリサンプリング
monthly = df.resample('M').agg({
    'sales': 'sum',
    'customers': 'mean'
})
print(monthly)
#              sales  customers
# 2024-01-31   14680  29.55
# 2024-02-29   13520  31.10
# 2024-03-31   15430  30.45

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

3. resample — リサンプリング

(1) ダウンサンプリングとアップサンプリング

▶ サンプル：resampleダウンサンプリング/アップサンプリング（難易度 ⭐⭐）

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

PYTHON

import pandas as pd
import numpy as np

np.random.seed(42)
df = pd.DataFrame({
    'price': np.random.uniform(100, 200, 60).round(2)
}, index=pd.date_range('2024-01-01', periods=60))

# ダウンサンプリング：日次 → 週次
weekly = df.resample('W').agg({
    'price': ['first', 'max', 'min', 'last']  # OHLC（四本値）
})
print("週次OHLC：")
print(weekly.head())

# ダウンサンプリング：日次 → 四半期
quarterly = df.resample('Q').mean()

# アップサンプリング：日次 → 時間単位（補完方法が必要）
hourly = df.resample('h').ffill()  # 前方補完
# 警告：行数が大幅に増えます！

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

(2) resampleとgroupbyの比較

機能	resample	groupby
グループ化の基準	時間頻度	任意のカラム
対象	DatetimeIndex	任意のDataFrame
アップサンプリング	✅ 欠損値を補完	❌
頻度エイリアス	D/W/M/Q/H	—
本質	時間次元に沿ったgroupby	汎用的なグループ化

4. shift / diff / pct_change

(1) ラグと差分

▶ サンプル：shift/diff/pct_change（難易度 ⭐⭐）

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

PYTHON

import pandas as pd
import numpy as np

np.random.seed(42)
df = pd.DataFrame({
    'sales': np.random.poisson(50, 10) * 10
}, index=pd.date_range('2024-01-01', periods=10))

# shift：データを前後に移動
df['sales_prev'] = df['sales'].shift(1)    # 前日の売上
df['sales_next'] = df['sales'].shift(-1)   # 翌日の売上

# diff：前値との差分
df['sales_diff'] = df['sales'].diff()       # 売上 - 前日売上

# pct_change：変化率
df['sales_pct'] = df['sales'].pct_change() * 100  # 変化率（%）

print(df.round(1))

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

💡 ヒント： shiftはMLタイムシリーズ特徴量エンジニアリングの基石です。df['lag_1'] = df['value'].shift(1) は前日の値で当日を予測します。diffはトレンドの変化量を抽出し、pct_changeは成長率を抽出します。

5. rolling — 移動ウィンドウ

(1) 移動平均

▶ サンプル：rolling移動平均（難易度 ⭐⭐）

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

PYTHON

import pandas as pd
import numpy as np

np.random.seed(42)
df = pd.DataFrame({
    'temperature': np.round(np.random.normal(20, 5, 30), 1)
}, index=pd.date_range('2024-01-01', periods=30))

# 7日移動平均
df['ma_7'] = df['temperature'].rolling(window=7).mean()

# min_periods付き（部分ウィンドウを許可）
df['ma_7_flex'] = df['temperature'].rolling(window=7, min_periods=3).mean()

# 複数集計
# Pandas 2.x：rolling.agg()は複数カラムのDataFrameを返すため、単一カラムに直接代入できません。joinを使用してください
rolling_agg = df['temperature'].rolling(7).agg(['mean', 'std', 'min', 'max'])
rolling_agg.columns = [f'temp_{stat}' for stat in ['mean', 'std', 'min', 'max']]
df = df.join(rolling_agg)

# 中央揃えrolling（将来の値を含む — 平滑化用であり予測用ではありません）
df['ma_7_center'] = df['temperature'].rolling(7, center=True).mean()

print(df[['temperature', 'ma_7', 'ma_7_center']].head(10))

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

(2) 時間ベースのウィンドウ

▶ サンプル：時間ベースのrollingウィンドウ（難易度 ⭐⭐）

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

PYTHON

import pandas as pd
import numpy as np

# 不規則なタイムシリーズ — 行ベースのウィンドウは不適切
df = pd.DataFrame({
    'value': [10, 20, 15, 30, 25, 40, 35, 50, 45, 60]
}, index=pd.to_datetime([
    '2024-01-01', '2024-01-02', '2024-01-05',  # 03〜04が欠落
    '2024-01-06', '2024-01-07', '2024-01-15',  # 08〜14が欠落
    '2024-01-16', '2024-01-20', '2024-01-21', '2024-01-25'
]))

# 行ベースのウィンドウ（不規則データには不適切）
print("行ベース 3：")
print(df['value'].rolling(3).mean())

# 時間ベースのウィンドウ（正しい — 暦日7日間）
print("\n時間ベース 7D：")
print(df['value'].rolling('7D').mean())

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

6. expanding — 累積ウィンドウ

▶ サンプル：expanding累積統計（難易度 ⭐）

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

PYTHON

import pandas as pd
import numpy as np

np.random.seed(42)
df = pd.DataFrame({
    'sales': np.random.poisson(50, 10) * 10
})

# expanding：現在位置までの全値
df['cumsum'] = df['sales'].expanding().sum()
df['cummean'] = df['sales'].expanding().mean()
df['cummax'] = df['sales'].expanding().max()

# min_periods付き
df['cummean_3'] = df['sales'].expanding(min_periods=3).mean()

print(df)

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

(1) rolling vs expanding vs ewm の比較

機能	rolling	expanding	ewm
ウィンドウ	固定サイズ	常に拡大	無限（重みが減衰）
重み	均等	均等	直近の値に高い重み
ユースケース	局所的トレンド	累積統計	平滑化トレンド
パラメータ	window	min_periods	span/com/halflife

7. ewm — 指数加重

▶ サンプル：ewm指数平滑化（難易度 ⭐⭐）

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

PYTHON

import pandas as pd
import numpy as np

np.random.seed(42)
df = pd.DataFrame({
    'price': np.cumsum(np.random.randn(30)) + 100
}, index=pd.date_range('2024-01-01', periods=30))

# 指数加重移動平均
df['ewm_5'] = df['price'].ewm(span=5).mean()
df['ewm_10'] = df['price'].ewm(span=10).mean()
df['ewm_20'] = df['price'].ewm(span=20).mean()

# 単純移動平均との比較
df['sma_5'] = df['price'].rolling(5).mean()

print(df[['price', 'sma_5', 'ewm_5']].head(10).round(2))

# ewmパラメータ（いずれか1つを指定）：
# span=5     → 5期間SMAに類似するが直近重視
# com=4      → 重心（com = span-1）
# halflife=3 → 3期間ごとに重みが半減
# alpha=0.3  → 平滑化係数（0<α≤1）

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

8. 総合例：日次株価ローソク足分析

(5) ▶ rollingウィンドウが時間軸に沿ってスライドする様子

graph TB
    A[タイムシリーズデータ] --> B[rollingウィンドウ]
    B --> C[ウィンドウが時間軸に沿ってスライド]
    C --> D[ウィンドウ1：t1〜tN]
    C --> E[ウィンドウ2：t2〜t(N+1)]
    C --> F[ウィンドウ3：t3〜t(N+2)]
    D --> G[mean / std / max / min]
    E --> G
    F --> G
    G --> H[平滑化トレンド / ボラティリティ]

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

▶ サンプル：タイムシリーズ分析パイプライン全体（難易度 ⭐⭐⭐）

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

PYTHON

import pandas as pd
import numpy as np

# ============================================
# 総合例：株価日次データ
# resample → rolling → diff → ewm
# ============================================

# 1. 株価日次データの生成（60営業日）
np.random.seed(42)
dates = pd.bdate_range('2024-01-01', periods=60)
price = 100 + np.cumsum(np.random.randn(60) * 2)
df = pd.DataFrame({
    'open': price + np.random.randn(60) * 0.5,
    'high': price + np.abs(np.random.randn(60)) * 1.5,
    'low': price - np.abs(np.random.randn(60)) * 1.5,
    'close': price + np.random.randn(60) * 0.5,
    'volume': np.random.randint(100000, 500000, 60)
}, index=dates)

# 2. リサンプリング：日次 → 週次
weekly = df.resample('W-FRI').agg({
    'open': 'first', 'high': 'max', 'low': 'min',
    'close': 'last', 'volume': 'sum'
})
print("=== 週次OHLCV ===")
print(weekly.head(4).round(2))

# 3. rolling：20日移動平均
df['ma_20'] = df['close'].rolling(20).mean()
df['vol_20'] = df['close'].rolling(20).std()

# 4. 日次リターン
df['returns'] = df['close'].pct_change()
df['log_returns'] = np.log(df['close'] / df['close'].shift(1))

# 5. EWM：指数平滑化
df['ewm_12'] = df['close'].ewm(span=12).mean()
df['ewm_26'] = df['close'].ewm(span=26).mean()
df['macd'] = df['ewm_12'] - df['ewm_26']

# 6. サマリー
print(f"\n=== 統計情報 ===")
print(f"期間：{df.index[0].date()} 〜 {df.index[-1].date()}")
print(f"トータルリターン：{((df['close'].iloc[-1] / df['close'].iloc[0] - 1) * 100):.1f}%")
print(f"ボラティリティ（20日）：{df['vol_20'].iloc[-1]:.2f}")
print(f"最大ドローダウン：{((df['close'] / df['close'].cummax() - 1).min() * 100):.1f}%")

TEXT

> 出力： ローカルのPython環境（pandas 2.x）で実行してください。Pistonサーバーにはpandasがプリインストールされていません。ローカルにインストール（`pip install pandas`）して一緒に進めてください。pandasのバージョンにより実際の値が若干異なる場合があります。

❓ よくある質問

Q resampleとgroupbyの違いは何ですか？

A resampleは本質的に時間次元に沿ったgroupbyです。頻度（日次/週次/月次/四半期）でグループ化し、DatetimeIndex/PeriodIndexでのみ動作します。groupbyは任意のカラムでグループ化し、時間に限定されません。resampleはアップサンプリング（低頻度 → 高頻度は補完が必要）を独自にサポートしており、groupbyではできません。目安：時間ベースの集計にはresample、それ以外にはgroupbyを使用してください。

Q rollingのウィンドウサイズはどのように選べばよいですか？

A シナリオに依存します。短期トレンドにはウィンドウ5〜10、中期には20〜30（月次）、長期には50〜200（四半期/年次）を使用します。金融では20/50/200日移動平均が標準です。ウィンドウが小さすぎるとノイズが多く、大きすぎるとラグが過大になります。推奨：まずデータの頻度を確認し、ウィンドウが1〜3つの「自然サイクル」をカバーするように設定してください。

Q shiftとdiffの違いは何ですか？

A shiftは何も計算せずにデータを移動します。diffは差分を計算します。s.diff() = s - s.shift(1) です。shiftはラグ特徴量の構築（ML）に使用し、diffは変化量の抽出（トレンド分析）に使用します。pct_changeは変化率を計算します：s.pct_change() = (s - s.shift(1)) / s.shift(1)。

Q expandingとcumsumの違いは何ですか？

A expandingはcumsumの汎用版です。任意の集計関数（mean/std/max/min）をサポートしますが、cumsumは累積和のみを計算します。s.expanding().sum() は s.cumsum() と同等です。expandingはより柔軟ですがやや遅く、日常利用ではcumsumの方が簡潔です。

Q ewmとは何ですか？

A EWM（Exponentially Weighted Moving）は指数加重移動平均です。直近のデータに高い重みを与え、古いデータは指数的に減衰します。span=5は5期間SMAに似た挙動をしますが、直近の値により高い重みを付けます。SMAより変化への反応が速く、テクニカル分析（MACD）やオンライン学習の基礎となります。

Q resampleでアップサンプリングした後の値をどう補完しますか？

A アップサンプリング（低頻度 → 高頻度）では多くのNaN値が発生します。補完オプション：ffill()（前方補完、前値を使用）、bfill()（後方補完）、interpolate()（補間）、asfreq()（NaNを保持）。ffillが推奨です（シンプルかつ保守的）。タイムシリーズ分析にはinterpolateを使用してください（より滑らかな結果が得られます）。

Q center=Trueは予測に使えますか？

A 絶対に使えません！center=Trueはウィンドウが「未来を参照」する（後続の値を含む）ため、過去データの平滑化にのみ適しており、予測には使用できません。リアルタイムや予測シナリオでは、必ずcenter=False（デフォルト）を使用してください。これは過去の値のみを参照します。このミスは定量分析において深刻なデータリーケージを引き起こします。

📖 まとめ

resampleは時間頻度で集計します。「時間次元に沿ったgroupby」です
shiftはデータを移動してラグ特徴量を構築し、diff/pct_changeは差分と変化率を計算します
rollingは固定サイズの移動ウィンドウで計算します（移動平均/標準偏差/極値）
時間ベースのrolling('7D')は不規則なタイムシリーズに最適です
expandingは累積ウィンドウ（先頭から現在位置まで）、ewmは指数加重を適用します（直近の値に高い重み）
選択基準：局所的トレンド → rolling、累積統計 → expanding、平滑化 → ewm

📝 練習問題

基礎（難易度 ⭐）：30日分の日次売上DataFrameを作成してください。resample('W')で週次データに集計し、rolling(7)で7日移動平均を計算してください。
中級（難易度 ⭐⭐）：60日分の株価終値を作成してください。shift(1)ラグ → diff()日次差分 → pct_change()リターン → rolling(20)ボラティリティ → ewm(span=12)平滑化を計算してください。
チャレンジ（難易度 ⭐⭐⭐）：90日分の日次売上をシミュレートしてください。resample月次/四半期サマリー → rolling 7/14/30日移動平均の比較 → expanding累積平均 → ewm平滑化 → 最大ドローダウンの計算を完成させてください。

← 前のレッスン：日付と時刻 · 次のレッスン：MultiIndex →

Web-Tutorial 技術チーム

複数の開発者によって共同維持されているプログラミングチュートリアルプラットフォーム。各チュートリアルは専門分野の開発者が執筆・レビューしています。正確で信頼性の高いコンテンツを目指しています — 問題を見つけた場合はお知らせください。

私たちについて

404 Not Found

【タイムシリーズ応用】resample・rolling・ewmで時系列分析をマスター

1. 本レッスンで学ぶこと

2. アリスのコーヒーショップ月次レポート

(1) 課題：日次データは粒度が細かすぎる — 月次集計が必要

(2) 解決策：resampleで1行集計

▶ サンプル：resample月次集計（難易度 ⭐）

3. resample — リサンプリング

(1) ダウンサンプリングとアップサンプリング

▶ サンプル：resampleダウンサンプリング/アップサンプリング（難易度 ⭐⭐）

(2) resampleとgroupbyの比較

4. shift / diff / pct_change

(1) ラグと差分

▶ サンプル：shift/diff/pct_change（難易度 ⭐⭐）

5. rolling — 移動ウィンドウ

(1) 移動平均

▶ サンプル：rolling移動平均（難易度 ⭐⭐）

(2) 時間ベースのウィンドウ

▶ サンプル：時間ベースのrollingウィンドウ（難易度 ⭐⭐）

6. expanding — 累積ウィンドウ

▶ サンプル：expanding累積統計（難易度 ⭐）

(1) rolling vs expanding vs ewm の比較

7. ewm — 指数加重

▶ サンプル：ewm指数平滑化（難易度 ⭐⭐）

8. 総合例：日次株価ローソク足分析

(5) ▶ rollingウィンドウが時間軸に沿ってスライドする様子

▶ サンプル：タイムシリーズ分析パイプライン全体（難易度 ⭐⭐⭐）

❓ よくある質問

📖 まとめ

📝 練習問題