Moving Average Filter Python

Hmmm, es scheint, diese einfach zu implementieren Funktion ist eigentlich ziemlich einfach, falsch zu werden und hat eine gute Diskussion über Gedächtnis Effizienz gefördert Ich bin glücklich, aufblasen, wenn es bedeutet zu wissen, dass etwas richtig gemacht wurde Richard Sep 20 14 um 19 23.NumPy Der Mangel an einer bestimmten domänenspezifischen Funktion ist vielleicht auf die Disziplin des Core Teams zurückzuführen, und die Treue zu NumPy s Prime Directive bietet einen N-dimensionalen Array-Typ sowie Funktionen zum Erstellen und Indizieren dieser Arrays Wie viele grundlegende Ziele, diese Ist nicht klein, und NumPy macht es brillant. Die viel größere SciPy enthält eine viel größere Sammlung von Domain-spezifischen Bibliotheken namens Subpackages von SciPy Devs - zum Beispiel numerische Optimierung zu optimieren, Signal Processing Signal und integrale Kalkül integrieren. Meine Vermutung ist Dass die Funktion, die Sie nachher sind, in mindestens einem der SciPy-Unterpakete vielleicht aber ich würde zuerst in der Sammlung von SciPy Scikits identifizieren die relevanten scikit s und suchen Sie nach der Funktion des Interesses dort. Scikits sind unabhängig entwickelte Pakete auf NumPy basiert SciPy und gerichtet auf eine bestimmte technische Disziplin zB Scikits-Bild Scikits-Lernen usw. Mehrere von diesen waren vor allem die ehrfürchtigen OpenOpt für numerische Optimierung wurden hoch angesehen, reife Projekte lange vor der Wahl zu wohnen unter der relativ neuen Scikits Rubrik Die Scikits Homepage mochte Bis über listet etwa 30 solcher scikits auf, obwohl mindestens einige von ihnen nicht mehr unter aktiver entwicklung sind. Nach diesem Rat würde Sie zu scikits-timeseries führen, aber dieses Paket ist nicht mehr unter aktiver Entwicklung In Wirklichkeit ist Pandas geworden, AFAIK, die De facto NumPy-basierte Zeitreihen-Bibliothek. Pandas hat mehrere Funktionen, die verwendet werden können, um einen gleitenden Durchschnitt zu berechnen, das einfachste von diesen ist wahrscheinlich rollingmean, die Sie wie so verwenden. Nun, rufen Sie einfach die Funktion rollingmean passing in der Serie Objekt und ein Fenster Größe, die in meinem Beispiel unten ist 10 Tage. verifizieren, dass es funktioniert - zB verglichen Werte 10 - 15 in der ursprünglichen Serie gegen die neue Serie geglättet mit rollenden mean. The Funktion Rollingmean, zusammen mit etwa ein Dutzend oder so andere Funktion sind informell Gruppiert in der Pandas-Dokumentation unter dem Rubrikbewegungsfenster funktioniert eine zweite, verwandte Gruppe von Funktionen in Pandas wird als exponentiell gewichtete Funktionen bezeichnet, zB ewma, die exponentiell verschobenen gewichteten Durchschnitt berechnet. Die Tatsache, dass diese zweite Gruppe nicht im ersten bewegten Fenster enthalten ist Funktionen sind vielleicht, weil die exponentiell gewichteten Transformationen nicht auf ein fester Länge-Fenster angewiesen sind. derwerted Jan 14 13 bei 6 38. Ich spiele in Python ein bisschen wieder, und ich fand ein ordentliches Buch mit Beispielen Eines der Beispiele ist Plot einige Daten Ich habe eine Datei mit zwei Spalten und ich habe die Daten Ich plotted die Daten ganz gut, aber in der Übung sagt es Ändern Sie Ihr Programm weiter zu berechnen und plotten den laufenden Durchschnitt der Daten, definiert durch. wo r 5 in Dieser Fall und der yk ist die zweite Spalte in der Datendatei Haben Sie das Programm sowohl die ursprünglichen Daten als auch den laufenden Durchschnitt auf dem gleichen Graph. So weit habe ich diese. So Wie berechne ich die Summe In Mathematica ist es einfach, da es S symbolische Manipulation Summe, zum Beispiel, aber wie man die Summe in Python berechnen kann, die alle zehn Punkte in die Daten nimmt und sie durchschnittt, und zwar bis zum Ende der Punkte. Ich sah das Buch an, fand aber nichts, was das erklären würde. heltonbiker s Code hat den Trick D. Danke Sie sehr viel. Es gibt ein Problem mit der akzeptierten Antwort Ich denke, wir müssen gültig anstelle von selben verwenden - Rückkehr Fenster, same. As ein Beispiel ausprobieren die MA dieser Daten - Setzen 1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6 - das Ergebnis sollte 4 2,5 4,6 0, 5 0,5 0,5 2,5 4,4 4,5 4,5 6,5 6,4 6,7 0,6 8, aber mit einer unsachgemäßen Ausgabe von 2 6,3 0,4 2, 5 4,6 0,5 0,5 0,5 2,5 4,4 4,5 4,5 6,5 6, 4 6,7 0,6 8,6 2,4 8.Rusty Code, um dies zu versuchen Out. Try dies mit gültigen gleichen und sehen, ob die Mathematik macht sense. answered Okt 29 14 bei 4 27.Haven t versucht dies aus, aber ich werde in sie hinsehen, Es ist eine Weile her, seit ich in Python Dingod codiert 29. Oktober 14 at 7 07. dingod Warum don t Sie schnell versuchen, dies mit dem rostigen Code und die Beispiel-Daten-Set als eine einfache Liste, habe ich für einige faulen Menschen wie ich war auf den ersten - seine Masken aus der Tatsache, dass gleitenden Durchschnitt Solltest du die ursprüngliche Antwort beenden, die ich gerade gestern ausprobiert habe, und die doppelte Kontrolle hat mir das Gesicht gesprochen, wenn es darum geht, auf Cxo Level zu berichten. Alles was du tun musst, ist es, den gleichen gleitenden Durchschnitt einmal mit gültiger und anderer Zeit mit demselben zu versuchen Sobald Sie überzeugt sind, geben Sie mir etwas Liebe aka-up-vote ekta Okt 29 14 at 7 16.Time Series Analyse tsa. Enthält Modellklassen und Funktionen, die für die Zeitreihenanalyse nützlich sind. Dazu gehören derzeit univariate autoregressive Modelle AR, Vektor autoregressive Modelle VAR und univariate autoregressive gleitende Mittelmodelle ARMA Es enthält auch deskriptive Statistiken für Zeitreihen, zB Autokorrelation, partielle Autokorrelationsfunktion und Periodogramm, Sowie die entsprechenden theoretischen Eigenschaften von ARMA oder verwandten Prozessen Es gibt auch Methoden, um mit autoregressiven und gleitenden durchschnittlichen Lag-Polynomen zu arbeiten. Darüber hinaus sind verwandte statistische Tests und einige nützliche Helfer-Funktionen verfügbar. Estimation erfolgt entweder durch exakte oder bedingte Maximum Likelihood oder Bedingte kleinste Quadrate, entweder mit Kalman Filter oder direkte Filter. Zur Zeit müssen Funktionen und Klassen aus dem entsprechenden Modul importiert werden, aber die Hauptklassen werden im Namespace zur Verfügung gestellt Die Modulstruktur ist innerhalb is. stattools empirische Eigenschaften und Tests , Acf, pacf, granger-causality, adf Einheit Wurzeltest, ljung-box-Test und andere. armodel univariate autoregressive Prozess, Schätzung mit bedingten und genaue maximale Wahrscheinlichkeit und bedingte kleinste Quadrate. arimamodel univariate ARMA-Prozess, Schätzung mit bedingten und exakten Maximum Wahrscheinlichkeit und bedingte kleinste Quadrate. vectorar, var Vektor autoregressive Prozess VAR Schätzmodelle, Impulsantwortanalyse, Prognosefehler Varianzzerlegungen und Datenvisualisierung tools. kalmanf Schätzungsklassen für ARMA und andere Modelle mit exaktem MLE mit Kalman Filter. armaprocess Eigenschaften von arma Prozesse mit gegebenen Parametern, Dazu gehören Werkzeuge zur Umwandlung zwischen ARMA, MA und AR Darstellung sowie acf, pacf, spektrale Dichte, Impulsantwortfunktion und ähnliches. Ähnlich wie armaprocess aber arbeiten im Frequenzbereich. Zentren zusätzliche Helfer-Funktionen, um Arrays von verzögerten Variablen zu schaffen, konstruieren Regressoren für Trend, detrend und ähnliche. Filter Helfer-Funktion für die Filterung Zeitreihen. Einige zusätzliche Funktionen, die auch nützlich sind für die Zeitreihenanalyse sind In anderen Teilen von Statsmodellen, zum Beispiel zusätzliche statistische Tests. Einige verwandte Funktionen sind auch in Matplotlib, Nitime, und diese Funktionen sind mehr für die Verwendung in der Signalverarbeitung, wo längere Zeitreihen verfügbar sind und arbeiten häufiger im Frequenzbereich. Beschreibende Statistiken und Tests. X, unvoreingenommen, demean, fft.