遵循此建议将引导您找到scikits time series;但是,该包不再处于活动开发中;实际上,Pandas已经成为基于事实上的NumPy的时间序列库。
Pandas有几个函数可用于计算移动平均值;其中最简单的函数可能是滚动平均值,您可以这样使用:
>>> # the recommended syntax to import pandas
>>> import pandas as PD
>>> import numpy as NP
>>> # prepare some fake data:
>>> # the date-time indices:
>>> t = PD.date_range('1/1/2010', '12/31/2012', freq='D')
>>> # the data:
>>> x = NP.arange(0, t.shape[0])
>>> # combine the data & index into a Pandas 'Series' object
>>> D = PD.Series(x, t)
现在,只需调用函数rolling_mean传入Series对象和窗口大小,在下面的示例中是10天。
>>> d_mva = PD.rolling_mean(D, 10)
>>> # d_mva is the same size as the original Series
>>> d_mva.shape
(1096,)
>>> # though obviously the first w values are NaN where w is the window size
>>> d_mva[:3]
2010-01-01 NaN
2010-01-02 NaN
2010-01-03 NaN
实现这一点的一个简单方法是使用^{} 。
这背后的想法是利用计算discrete convolution的方式,并使用它返回滚动平均值。这可以通过卷积一个长度等于我们想要的滑动窗口长度的^{} 序列来实现。
为此,我们可以定义以下函数:
这个函数将取序列
x
和长度为w
的序列的卷积。注意,所选择的mode
是valid
,因此卷积积只针对序列完全重叠的点给出。用例
一些例子:
对于长度为
2
的移动平均线,我们将得到:对于长度为
4
的窗口:详细信息
让我们更深入地了解一下离散卷积的计算方式。 以下函数旨在复制
np.convolve
计算输出值的方式:对于上述相同的例子,这也会产生:
所以每一步都要做的是,取一个数组和当前窗口之间的内积。在这种情况下,乘以
np.ones(w)
是多余的,因为我们直接取序列的sum
。下面是如何计算第一个输出的一个例子,这样就更清楚了。假设我们想要一个
w=4
的窗口:以下输出将计算为:
依此类推,在执行所有重叠之后返回序列的移动平均值。
如果您只需要一个简单的非加权移动平均值,您可以使用
np.cumsum
轻松实现它,它可能比基于FFT的方法快:编辑更正了代码中Bean发现的一个off-by-one错误索引。编辑
所以我想答案是:实现起来确实很容易,也许numpy已经有点臃肿了,有专门的功能。
NumPy缺少特定于域的函数可能是由于核心团队的纪律性和对NumPy主指令的忠实性:提供了N维数组类型,以及创建和索引这些数组的函数。像许多基本目标一样,这个目标并不小,纽比做得很出色。
更大的SciPy包含更大的领域特定库集合(SciPy devs称为子包)——例如,数值优化(优化)、信号处理(信号)和积分(积分)。
我的猜测是,您所追求的功能至少在一个SciPy子包中(SciPy.signal也许);但是,我将首先在SciPy scikit s集合中查找,确定相关的scikit并在那里查找感兴趣的功能。
Scikits是基于NumPy/SciPy独立开发的软件包,面向特定的技术领域(例如,scikits image,scikits learn,等等),其中一些软件(特别是用于数值优化的令人敬畏的OpenOpt)受到高度重视,在选择居住在相对较新的scikits标准下之前很久就已经成熟的项目。上面喜欢的Scikits主页列出了大约30个这样的Scikits,尽管其中至少有几个已经不在积极开发之中。
遵循此建议将引导您找到scikits time series;但是,该包不再处于活动开发中;实际上,Pandas已经成为基于事实上的NumPy的时间序列库。
Pandas有几个函数可用于计算移动平均值;其中最简单的函数可能是滚动平均值,您可以这样使用:
现在,只需调用函数rolling_mean传入Series对象和窗口大小,在下面的示例中是10天。
验证它是否有效——例如,将原始序列中的值10-15与使用滚动平均值平滑的新序列进行比较
函数rolling_mean,以及大约十几个其他函数在Pandas文档中非正式地分组为moving window函数;Pandas中的第二个相关函数组称为指数加权函数(例如,ewma,计算指数移动加权平均值)。第二组不包含在第一组(移动窗口函数)中,这可能是因为指数加权的变换不依赖于固定长度的窗口
相关问题 更多 >
编程相关推荐