我有一组日期和每个日期的度量值。 我想为每个日期计算指数移动平均值。 有人知道如何做吗？
我是Python新手。 标准Python库似乎没有内置平均函数，这让我感到有些奇怪。 或许我没有找对地方。
因此，鉴于以下代码，我该如何计算日历日期智商点数的移动加权平均值？
from datetime import date
days = [date(2008,1,1), date(2008,1,2), date(2008,1,7)]
IQ = [110, 105, 90]
（可能有更好的方式来构建这个数据，任何建议都将不胜感激）
编辑：
似乎来自scikits.timeseries.lib.moving_funcs子模块的mov_average_expw()函数，来自SciKits（补充了SciPy的附加工具包），更符合您问题的措辞。
要使用平滑系数alpha（在维基百科的术语中为（1-alpha））计算数据的指数平滑：
>>> alpha = 0.5
>>> assert 0 < alpha <= 1.0
>>> av = sum(alpha**n.days * iq
... for n, iq in map(lambda (day, iq), today=max(days): (today-day, iq),
... sorted(zip(days, IQ), key=lambda p: p[0], reverse=True)))
95.0
以上代码看起来不太美观，我们对其进行一些重构：
from collections import namedtuple
from operator import itemgetter
def smooth(iq_data, alpha=1, today=None):
"""Perform exponential smoothing with factor `alpha`.
Time period is a day.
Each time period the value of `iq` drops `alpha` times.
The most recent data is the most valuable one.
"""
assert 0 < alpha <= 1
if alpha == 1: # no smoothing
return sum(map(itemgetter(1), iq_data))
if today is None:
today = max(map(itemgetter(0), iq_data))
return sum(alpha**((today - date).days) * iq for date, iq in iq_data)
IQData = namedtuple("IQData", "date iq")
if __name__ == "__main__":
from datetime import date
days = [date(2008,1,1), date(2008,1,2), date(2008,1,7)]
IQ = [110, 105, 90]
iqdata = list(map(IQData, days, IQ))
print("\n".join(map(str, iqdata)))
print(smooth(iqdata, alpha=0.5))
示例：
$ python26 smooth.py
IQData(date=datetime.date(2008, 1, 1), iq=110)
IQData(date=datetime.date(2008, 1, 2), iq=105)
IQData(date=datetime.date(2008, 1, 7), iq=90)
95.0
我总是使用Pandas计算EMA：
这里有一个示例如何执行：
import pandas as pd
import numpy as np
def ema(values, period):
values = np.array(values)
return pd.ewma(values, span=period)[-1]
values = [9, 5, 10, 16, 5]
period = 5
print ema(values, period)
关于Pandas的EWMA更多信息：
http://pandas.pydata.org/pandas-docs/stable/generated/pandas.ewma.html
s.ewm(span = 2/alpha-1).mean() 其中 s 是一个序列。 - user3226167我通过谷歌搜索找到了以下示例代码 (http://osdir.com/ml/python.matplotlib.general/2005-04/msg00044.html):
def ema(s, n):
"""
returns an n period exponential moving average for
the time series s
s is a list ordered from oldest (index 0) to most
recent (index -1)
n is an integer
returns a numeric array of the exponential
moving average
"""
s = array(s)
ema = []
j = 1
#get n sma first and calculate the next n period ema
sma = sum(s[:n]) / n
multiplier = 2 / float(1 + n)
ema.append(sma)
#EMA(current) = ( (Price(current) - EMA(prev) ) x Multiplier) + EMA(prev)
ema.append(( (s[n] - sma) * multiplier) + sma)
#now calculate the rest of the values
for i in s[n+1:]:
tmp = ( (i - ema[j]) * multiplier) + ema[j]
j = j + 1
ema.append(tmp)
return ema
s = array(s)的意义是什么？在我注释掉它之前，我一直有语法错误。 - swdev您也可以使用SciPy滤波器方法，因为EMA是IIR滤波器。相对于使用enumerate()方法，在大数据集上使用timeit进行测试，这将带来约64倍的速度优势。
import numpy as np
from scipy.signal import lfilter
x = np.random.normal(size=1234)
alpha = .1 # smoothing coefficient
zi = [x[0]] # seed the filter state with first value
# filter can process blocks of continuous data if <zi> is maintained
y, zi = lfilter([1.-alpha], [1., -alpha], x, zi=zi)
我不熟悉Python，但是对于平均值部分，您是否指的是形式为指数衰减低通滤波器的方法？
y_new = y_old + (input - y_old)*alpha
其中alpha = dt/tau，dt为滤波器的时间步长，tau为滤波器的时间常数。如果使用可变时间步长形式，则将dt/tau剪切至不超过1.0。
y_new = y_old + (input - y_old)*dt/tau
如果你想过滤类似日期的内容，请确保将其转换为浮点数，例如从1970年1月1日开始的秒数。
我的Python有点生疏（如果我出现了语法问题，任何人都可以随意编辑此代码进行更正），但是这里有......
def movingAverageExponential(values, alpha, epsilon = 0):
if not 0 < alpha < 1:
raise ValueError("out of range, alpha='%s'" % alpha)
if not 0 <= epsilon < alpha:
raise ValueError("out of range, epsilon='%s'" % epsilon)
result = [None] * len(values)
for i in range(len(result)):
currentWeight = 1.0
numerator = 0
denominator = 0
for value in values[i::-1]:
numerator += value * currentWeight
denominator += currentWeight
currentWeight *= alpha
if currentWeight < epsilon:
break
result[i] = numerator / denominator
return result
此函数向后移动，从列表末尾到开头，通过向后计算指数移动平均值来为每个值计算加权系数，直到元素的加权系数小于给定的epsilon。
在函数结束时，它会将值反转后返回列表（以便按照调用者的要求正确排序）。
（附注：如果我使用的是Python之外的语言，我会先创建一个完整大小的空数组，然后倒序填充它，这样就不必在最后将其反转。但我认为在Python中无法声明一个大的空数组。而在Python列表中，附加操作比前置操作更少消耗，这就是我以相反的顺序构建列表的原因。如果我错了，请纠正我。）
'alpha'参数是每次迭代的衰减因子。例如，如果您使用0.5的alpha，则今天的移动平均值将由以下加权值组成：
today: 1.0
yesterday: 0.5
2 days ago: 0.25
3 days ago: 0.125
...etc...
result = movingAverageExponential(values, 0.75, 0.0001)
if，while附近的括号是不必要的。在Python中，您可以创建列表的副本：result = values[:]或创建一个大的“空”列表：result = [None]*len(values)。 - jfsvalues.reverse() -- 它只是对数据进行了一次额外的遍历。 - jfsema()和我的mov_average_expw()）。 - jfsdef moving_average(x, n, type):
x = np.asarray(x)
if type=='simple':
weights = np.ones(n)
else:
weights = np.exp(np.linspace(-1., 0., n))
weights /= weights.sum()
a = np.convolve(x, weights, mode='full')[:len(x)]
a[:n] = a[n]
return a
import pandas_ta as ta
data["EMA3"] = ta.ema(data["close"], length=3)
pandas_ta 是一个技术分析库：https://github.com/twopirllc/pandas-ta。上述代码计算了一个序列的指数移动平均线（EMA）。你可以使用 'length' 指定滞后值，具体而言，上述代码计算了“3日 EMA”。
可能是最短的：
#Specify decay in terms of span
#data_series should be a DataFrame
ema=data_series.ewm(span=5, adjust=False).mean()
我发现@earino提供的上述代码片段非常有用——但我需要能够持续平滑流式数值的内容，因此我对其进行了重构：
def exponential_moving_average(period=1000):
""" Exponential moving average. Smooths the values in v over ther period. Send in values - at first it'll return a simple average, but as soon as it's gahtered 'period' values, it'll start to use the Exponential Moving Averge to smooth the values.
period: int - how many values to smooth over (default=100). """
multiplier = 2 / float(1 + period)
cum_temp = yield None # We are being primed
# Start by just returning the simple average until we have enough data.
for i in xrange(1, period + 1):
cum_temp += yield cum_temp / float(i)
# Grab the timple avergae
ema = cum_temp / period
# and start calculating the exponentially smoothed average
while True:
ema = (((yield ema) - ema) * multiplier) + ema
我是这样使用它的:
def temp_monitor(pin):
""" Read from the temperature monitor - and smooth the value out. The sensor is noisy, so we use exponential smoothing. """
ema = exponential_moving_average()
next(ema) # Prime the generator
while True:
yield ema.send(val_to_temp(pin.read()))
sum(alpha**((today - date).days) * iq for date, iq in iq_data)给出了指数加权和。它需要除以分母sum(alpha**((today - date).days) for date, iq in iq_data)才能得到平均值。 - matohak