我在 Pandas Dataframe 中有一些数据。我想根据该数据计算移动平均值,包括最多 N 个尾随行和最多 Q 个前导行:
import pandas
my_data = pandas.DataFrame({
'values': [5.0, 4.0, 3.0, 5.0, 5.0, 6.0, 4.0, 6.0, 7.0, 4.0, 5.0, 5.0]
})
my_data
values
0 5.0
1 4.0
2 3.0
3 5.0
4 5.0
5 6.0
6 4.0
7 6.0
8 7.0
9 4.0
10 5.0
11 5.0
N=2
Q=3
get_moving_average(my_data, lagging=N, leading=Q)
values mavg
0 5 4.250000
1 4 4.400000
2 3 4.666667
3 5 4.500000
4 5 4.833333
5 6 5.500000
6 4 5.333333
7 6 5.333333
8 7 5.166667
9 4 5.400000
10 5 5.250000
11 5 4.666667
此处,第 0 行的移动平均值为 4.25 - 单元格 0 的值加上 0 个粗体滞后行(因为没有)和 3 个斜体前导行(单元格 1:3 的值 - 所以 (5.0 + 4.0 + 3.0 + 5.0)/4.0 = 17.0/4.0 = 4.25
第 1 行的移动平均值包括以上所有内容,但也包括粗体尾随行 0(因为我们接受 2 个滞后行,但只存在一个),产生 (5.0 + 4.0 < em>+ 3.0 + 5.0 + 5.0)/5.0 = 22.0/5.0 = 4.4.
等等。但是, Pandas 的 rolling方法只接受一个窗口参数,不允许选择每一侧的大小,并且似乎存在数据不足的问题。
是否有覆盖此内容的滚动替代方案,或者我需要自己滚动?
请您参考如下方法:
如果不进行进一步测试,我不确定这是否适用于所有情况。
让我们发挥创意。在“滚动窗口”中使用 rolling 和 shift 向后移动以获得适当的尾随行数和前导行数。要处理滚动平均值处的 NaN,让我们向后滚动并fillna。
N=2
Q=3
T = N+Q+1
my_data.rolling(T, min_periods=1).mean().shift(-Q)\
.fillna(my_data[::-1].rolling(T, min_periods=Q).mean().shift(-N)[::-1])
输出:
values
0 4.250000
1 4.400000
2 4.666667
3 4.500000
4 4.833333
5 5.500000
6 5.333333
7 5.333333
8 5.166667
9 5.400000
10 5.250000
11 4.666667
步骤:
在整个时间间隔内进行滚动计算,在您的情况下,将是 N(滞后)+ Q(领先)和总和为总计 (T) 的电流。
my_data.rolling(T, min_periods=1).mean()
现在,让我们使用 shift 将计算移回原位,使窗口符合预期,N 滞后,Q 领先,所以 shift -Q。
my_data.rolling(T, min_periods=1).mean().shift(-Q)
输出:
values
0 4.250000
1 4.400000
2 4.666667
3 4.500000
4 4.833333
5 5.500000
6 5.333333
7 5.333333
8 5.166667
9 NaN
10 NaN
11 NaN
现在要处理数据帧末尾的那些 NaN 值,我们进行反向滚动计算并使用 fillna 填充原始值。 [::-1] 是一个反转元素,从末尾开始滚动到开始,然后用 [::-1] 再次翻转与原始结果对齐。
my_data[::-1].rolling(T, min_periods=Q).mean().shift(-N)[::-1]
输出:
values
0 NaN
1 NaN
2 4.666667
3 4.500000
4 4.833333
5 5.500000
6 5.333333
7 5.333333
8 5.166667
9 5.400000
10 5.250000
11 4.666667
在第一个系列和第二个系列上使用 fillna 得到:
N=2
Q=3
T = N+Q+1
my_data.rolling(T, min_periods=1).mean().shift(-Q)\
.fillna(my_data[::-1].rolling(T, min_periods=Q).mean().shift(-N)[::-1])
输出:
values
0 4.250000
1 4.400000
2 4.666667
3 4.500000
4 4.833333
5 5.500000
6 5.333333
7 5.333333
8 5.166667
9 5.400000
10 5.250000
11 4.666667
