Welles Wilder使用pandas计算移动平均值

Question

我正在尝试在panda数据框中计算Welles Wilder类型的移动平均（也称为累积移动平均）。

计算'A'系列的Wilder移动平均值的方法如下： - 计算"A"中前'n'个值的平均值，并将其设置为第'n'个位置的平均值。 - 对于以下值，使用(n-1)加权的先前平均值和加权后的当前系列值，并将所有值除以'n'。

我的问题是：如何以向量化的方式实现这一点？

我尝试迭代数据框（不建议这样做，因为速度慢）。它能工作，值是正确的，但我会收到一个错误信息：

SettingWithCopyWarning: 正在尝试设置DataFrame片段的副本上的值

这可能不是最有效的方法。

我的代码如下：

import pandas as pd
import numpy as np

#Building Random sample:
datas = pd.date_range('2020-01-01','2020-01-31')
np.random.seed(693)
A = np.random.randint(40,60, size=(31,1))
df = pd.DataFrame(A,index = datas, columns = ['A'])

period = 12 # Main parameter
initial_mean = A[0:period].mean() # Equation for the first value.

size = len(df.index)
df['B'] = np.full(size, np.nan)
df.B[period-1] = initial_mean

for x in range(period, size):
    df.B[x] = ((df.A[x] + (period-1)*df.B[x-1]) / period) # Equation for the following values. 

print(df)

- Thales Almeida

---

请注意，Pandas TA 项目已经实现了Wilder's Moving Average。 - Rodrigo Licks

Answer 1

您可以使用Pandas的ewm()方法，在adjust=False时完全如您所述：

When adjust is False, weighted averages are calculated recursively as:

weighted_average[0] = arg[0];
weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i]

如果你想对前期间的项目进行简单平均，可以先这样做，并将ewm()应用于结果。

可以使用以下公式计算出一个序列，该序列由前期间的平均值和其他完全重复的项目组成：

pd.Series(
    data=[df['A'].iloc[:period].mean()],
    index=[df['A'].index[period-1]],
).append(
    df['A'].iloc[period:]
)

为了计算Wilder移动平均值并将其存储在新列'C'中，您可以使用以下代码：

：

df['C'] = pd.Series(
    data=[df['A'].iloc[:period].mean()],
    index=[df['A'].index[period-1]],
).append(
    df['A'].iloc[period:]
).ewm(
    alpha=1.0 / period,
    adjust=False,
).mean()

在这一点上，您可以计算 df['B'] - df['C'] 并且您会看到差异几乎为零（浮点数存在一些舍入误差）。因此，这等同于使用循环进行计算。

你可能想考虑跳过前期的直接平均值，并从一开始就开始应用ewm()，这将假定第一行是第一次计算中的先前平均值。结果会略有不同，但一旦经过了几个期，那些初始值就很难影响结果。

那将是一种更简单的计算方式：

df['D'] = df['A'].ewm(
    alpha=1.0 / period,
    adjust=False,
).mean()

- filbranden