Promedio móvil en Python

Para calcular un promedio móvil en Python con pandas, usa serie.rolling(n).mean(): cada valor del resultado es el promedio de los últimos n datos. Las primeras n − 1 posiciones quedan en NaN porque aún no hay suficientes datos; con min_periods=1 se calculan con los disponibles. Sin pandas, np.convolve(x, np.ones(n) / n, mode="valid") da el mismo resultado.

Sintaxis

serie.rolling(window=3).mean()                  # últimos 3 datos
serie.rolling(3, min_periods=1).mean()          # sin NaN al inicio
serie.rolling(3, center=True).mean()            # ventana centrada
serie.rolling("7D").mean()                      # últimos 7 días de calendario
serie.ewm(span=3, adjust=False).mean()          # exponencial

import numpy as np
np.convolve(x, np.ones(3) / 3, mode="valid")    # solo ventanas completas

Paso a paso

1. Ordena los datos por fecha, de la más antigua a la más reciente. rolling toma los datos en el orden en que están.
2. Elige el tamaño de la ventana: 7 para datos diarios con ciclo semanal, 12 para mensuales con ciclo anual, 3 para suavizar poco.
3. Calcula con rolling(n).mean() y decide qué hacer con el inicio: dejar NaN, usar min_periods o recortar.
4. Si faltan fechas, usa una ventana por tiempo ("7D") en lugar de por cantidad de filas.

Ejemplos resueltos

import pandas as pd

ventas = pd.Series([120, 135, 128, 150, 162, 158, 171],
                   index=pd.date_range("2026-03-01", periods=7, freq="D"))
print(ventas.rolling(3).mean())

2026-03-01           NaN
2026-03-02           NaN
2026-03-03    127.666667
2026-03-04    137.666667
2026-03-05    146.666667
2026-03-06    156.666667
2026-03-07    163.666667
Freq: D, dtype: float64

s = pd.Series([10, 20, 30, 40],
              index=pd.to_datetime(["2026-01-01", "2026-01-02",
                                    "2026-01-05", "2026-01-06"]))
print(s.rolling("3D").mean())
print(s.rolling(3).mean())

2026-01-01    10.0
2026-01-02    15.0
2026-01-05    30.0
2026-01-06    35.0
dtype: float64
2026-01-01     NaN
2026-01-02     NaN
2026-01-05    20.0
2026-01-06    30.0
dtype: float64

d = pd.DataFrame({"tienda": ["A"] * 4 + ["B"] * 4,
                  "venta": [10, 12, 14, 16, 100, 90, 80, 70]})
d["movil2"] = d.groupby("tienda")["venta"].transform(lambda s: s.rolling(2).mean())
print(d)

  tienda  venta  movil2
0      A     10     NaN
1      A     12    11.0
2      A     14    13.0
3      A     16    15.0
4      B    100     NaN
5      B     90    95.0
6      B     80    85.0
7      B     70    75.0

Sin pandas: NumPy y Python puro

import numpy as np

x = np.array([120, 135, 128, 150, 162, 158, 171])
print(np.convolve(x, np.ones(3) / 3, mode="valid"))

[127.66666667 137.66666667 146.66666667 156.66666667 163.66666667]

mode="valid" devuelve solo las ventanas completas: 7 datos con ventana de 3 dan 5 promedios. En Python puro: [sum(v[i - k + 1:i + 1]) / k for i in range(k - 1, len(v))].

Promedio móvil exponencial

ventas.ewm(span=3, adjust=False).mean() da más peso a los datos recientes. Con span=3 el factor de suavizado es α = 2 / (3 + 1) = 0.5: cada valor es la mitad del dato nuevo más la mitad del promedio anterior. Para la serie del ejemplo 1, el 3 de marzo vale 0.5 × 128 + 0.5 × 127.5 = 127.75. La diferencia con el simple y sus usos en finanzas se explican en la sección de promedio móvil.

Errores comunes

• Datos desordenados. rolling no ordena: si las fechas vienen al revés, el promedio «de los últimos 3» toma los siguientes. Usa sort_index() o sort_values("fecha").
• ValueError: window must be an integer 0 or greater. Pasaste una ventana como texto o negativa con un índice que no es de fechas. Las ventanas como "7D" exigen un DatetimeIndex (o el parámetro on= con una columna de fechas).
• Esperar números desde la primera fila. Las primeras n − 1 filas son NaN a propósito; no las rellenes con 0.
• Usar center=True en un pronóstico. Incluye datos posteriores a la fecha y adelanta artificialmente los cambios.

Para comprobar un cálculo pequeño sin código, usa la calculadora de promedio móvil.