移动平均


一、移动平均的主要分类

1. 简单移动平均

2. 加权移动平均

3. 指数移动平均

4. 分形自适应移动平均

5. 赫尔移动平均

二、移动平均使用时的注意点:

1、加权移动平均的权重选择很重要,比如如果数据有季节性波动,则权重应该也要有季节性调整

2、移动平均可以平滑掉数据的突然波动对整体的影响

3、加大移动平均的期数可以使得平滑效果更好,但是也使得对数据的实际变化更不敏感

4、移动平均值并不能总是很好地反映出未来趋势。由于是平均值,预测值总是停留在过去的水平上

5、移动平均需要大量的过去数据

三、代码实现

# 对size个数据进行移动平均
rol_mean = igmb_only.rolling(window=6).mean()
# 对size个数进行加权移动平均
rol_weighted_mean = pd.DataFrame.ewm(igmb_only, span=6).mean()
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
移动平均是一种常用的统计方法,在python中可以通过多种方式实现。 一种简单的方法是使用循环来计算移动平均。首先,我们需要一个存储数据的列表。然后,我们可以使用一个循环来遍历列表中的每个数据点,并计算它前面若干个数据点的平均值。例如,我们可以通过计算前5个数据点的平均值来获得5点移动平均值。最后将计算得到的移动平均值添加到一个新的列表中。 另一种实现移动平均的方法是使用numpy库。Numpy提供了一个方便的函数numpy.convolve(),可以用来计算移动平均。我们可以传入一个窗口函数作为参数,窗口函数通常是一个具有固定大小的数组,用于取得窗口内的数据点。Numpy会返回一个数组,其中包含了计算得到的移动平均值。 以下是使用numpy进行移动平均的示例代码: ```python import numpy as np # 创建数据集 data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] # 使用numpy计算3点移动平均 moving_average = np.convolve(data, np.ones(3)/3, mode='valid') print(moving_average) ``` 输出结果为: ``` [ 2. 3. 4. 5. 6. 7. 8.] ``` 在这个示例中,我们创建了一个大小为10的数据集。然后使用`np.ones(3)/3`创建了一个大小为3的窗口函数,用于计算3点移动平均。通过将窗口函数传递给`np.convolve()`函数,我们计算得到了移动平均值并打印出来。 请注意,在计算移动平均时,需要设置适当的窗口函数和合适的模式(例如'mode='valid'')来确保计算的准确性和一致性。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值