Bemind
Учебник Python
Учебник Python
  • Python
    • Python Lists
      • Списковые включения в Python (Полное руководство с примерами)
      • Исправление ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Как добавить строку в список в Python
      • Разница между массивами и списками в Python
      • Python: Различия между списками и кортежами
      • Как проверить, пуст ли список в Python
      • Как Итерировать (Циклически Проходить) По Списку в Python
      • Python List sort(): Подробное руководство по сортировке списков
      • Python List Extend: Как добавить несколько элементов в список
      • Python: Найти Индекс Всех Вхождений Элемента в Списке
      • Конвертация списка словарей в Pandas DataFrame
      • Генерация случайных чисел в Python
      • Поиск Индекса в Списке Python: Найти Первое, Последнее или Все Вхождения
      • Добавить в начало списка в Python (Вставить в начало)
      • Найти дубликаты в списке Python
      • Python: Умножение Списков (6 Различных Способов)
      • Python списки: Полный обзор
      • Python: Выбор случайного элемента из списка
      • 4 Способа Очистить Список в Python
      • Объяснение ошибки IndexError в Python: индекс списка выходит за пределы допустимого диапазона
      • Python: Получение индекса максимального элемента в списке
      • Python: Объединение списков – Слияние списков (8 способов)
      • Python: Проверка наличия элемента в списке
      • Python: Проверка наличия элемента в списке
      • Удаление элемента из списка в Python (pop, remove, del, clear)
      • Как перевернуть список в Python (6 способов)
      • Python: Замена элемента в списке (6 различных способов)
      • Python: Удаление дубликатов из списка (7 способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Перемешать Список (Случайное Распределение Элементов Списка в Python)
      • Python: Пересечение двух списков
      • Python: Вычитание двух списков (4 простых способа!)
      • Длина или Размер Списка в Python: 5 Способов Узнать Длину Списка
      • Python: Транспонирование списка списков (5 простых способов!)
      • Python: Разделение списка (Пополам, на части)
      • Python: Комбинации списка (Получить все комбинации списка)
      • Python: Выравнивание списка списков (4 способа)
      • Разница между списками в Python: Нахождение разницы между двумя списками Python
      • Python: Найти среднее значение списка или списка списков
      • Как добавлять элементы в списки в Python – 4 простых способа!
      • Списковые включения в Python (Полное руководство с примерами)
      • 6 способов преобразовать список Python в строку
    • Python Dictionaries
      • Понимание словаря Python (с примерами)
      • Исправляем ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Преобразование JSON в словарь Python
      • Полное руководство по вложенным словарям в Python
      • Копирование словаря в Python: Полное руководство
      • Конвертация списка словарей в Pandas DataFrame
      • Поиск дубликатов в списке Python
      • Полный обзор словарей в Python
      • Python: Добавление пары Ключ:Значение в Словарь
      • Python: Сортировка словаря по значениям
      • Слияние Словарей в Python – Комбинирование Словарей (7 Способов)
      • Python: Удаление Дубликатов из Списка (7 Способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Красивая Печать Словаря (Dictionary) – 4 Способа
      • Python: Проверка пуст ли словарь (5 способов!)
      • Copy of Python: Проверка пуст ли словарь (5 способов!)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Получение Ключа Словаря с Максимальным Значением (4 Способа)
      • Python: Удаление ключа из словаря (4 разных способа)
      • Как красиво вывести JSON-файл в Python (6 методов)
    • Python Strings
      • Python Капитализация Строк: Руководство по Преобразованию слов в Заглавные
      • Python strip: Как обрезать строку в Python
      • Python Обратная Строка: Руководство по Реверсированию Строк
      • Как Удалить Префикс или Суффикс из Строки в Python
      • Преобразование строки в формат заголовка в Python с помощью str.title()
      • Как добавить строку в список в Python
      • Python String startswith: Проверка, начинается ли строка с подстроки
      • Python String endswith: Проверка того, заканчивается ли строка подстрокой
      • Как удалить первый или последний символ из строки в Python
      • Как исправить: SyntaxError в Python - EOL при сканировании строкового литерала
      • Python String Contains: Проверка Наличия Подстроки в Строке
      • Как проверить, пустая ли строка в Python
      • Python Новая Строка и Как Печатать Без Переноса Строки
      • Как Конкатенировать Строки в Python: Полное Руководство
      • Python: Подсчет слов в строке или файле
      • Как создать список алфавита в Python
      • Python: Конкатенация строки и целого числа (Int)
      • Python: Сортировка строки (4 различных способа)
      • Python zfill и rjust: Добавление нулей в строку в Python
      • Python: Целое в Двоичное (Преобразование целого числа в двоичную строку)
      • Python rfind: Нахождение индекса последней подстроки в строке
      • Python SHA256 хеширование алгоритм: объяснение
      • Python: Усечение числа с плавающей точкой (6 различных способов)
      • Выбор между методами Python isdigit(), isnumeric() и isdecimal()
      • Python: Удаление специальных символов из строки
      • Python Приведение Строки к Нижнему Регистру с помощью .lower(), .casefold(), и .islower()
      • Python программа для проверки, является ли строка палиндромом (6 методов)
      • Python: Найдите все перестановки строки (3 легких способа!)
      • Python: Удаление пунктуации из строки (3 разных способа!)
      • Python: Найти индекс (или все индексы) подстроки в строке
      • Python: Удаление символов новой строки из строки
      • Python: Удаление символа из строки (4 способа)
      • Python: Количество вхождений в строке (4 способа!)
    • Встроенные функции Python
      • abs()
      • ascii()
      • aiter()
      • all()
      • any()
      • anext()
      • bin()
      • bool()
      • breakpoint()
      • bytearray()
      • bytes()
      • callable()
      • chr()
      • classmethod()
      • compile()
      • complex()
      • delattr()
      • dict()
      • dir()
      • divmod()
      • enumerate()
      • eval()
      • exec()
      • filter()
      • float()
      • format()
      • frozenset()
      • getattr()
      • globals()
      • hasattr()
      • hash()
      • help()
      • hex()
      • id()
      • input()
      • int()
      • issubclass()
      • iter()
      • len()
      • list()
      • locals()
      • map()
      • max()
      • memoryview()
      • min()
      • next()
      • object()
      • oct()
      • open()
      • ord()
      • pow()
      • print()
      • property()
      • range()
      • repr()
      • reversed()
      • round()
      • set()
      • setattr()
      • isinstance()
      • slice()
      • zip()
      • type()
      • sorted()
      • staticmethod()
      • str()
      • sum()
      • super()
      • tuple()
      • vars()
      • import()
    • Cобеседования Python. Разбор реальных вопросов.
    • Встроенные методы в Python
  • Учебники по Pandas и Numpy
    • Numpy
      • Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку
      • Как нормализовать массивы NumPy (минимальное-максимальное масштабирование, Z-оценка, L2)
      • NumPy where: Условная обработка элементов массива
      • NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
      • Как рассчитать векторное произведение в Python
      • Разделение NumPy: Разделение массива NumPy на части
      • NumPy: Лучшие способы применения функции к массиву
      • NumPy full: Создание массивов с заданным значением
      • NumPy clip(): Ограничьте значения массива минимальным и максимальным значениями
      • NumPy cumsum: Расчет кумулятивных сумм массивов NumPy
      • Изучаем функцию np.histogram в NumPy: создаем гистограмму
      • NumPy arange(): Полное руководство (с примерами)
      • Руководство по индексации и срезам массивов NumPy: Полное руководство
      • NumPy argmin(): Получение индекса минимального значения в массивах
      • Выравнивание массива с помощью NumPy flatten
      • Объединение массивов NumPy по различным осям с использованием функции stack
      • Удаление размерности из массивов NumPy с помощью NumPy Squeeze
      • Функция np.repeat() NumPy: Повторение массивов NumPy
      • Использование функции NumPy.exp() для вычисления экспоненты
      • Реализация функции сигмоида на Python
      • NumPy Pad: Использование np.pad() для дополнения массивов и матриц
      • np.argmax(): Как использовать NumPy Argmax
      • NumPy logspace: Понимание функции np.logspace()
      • Использование NumPy Tile для Расположения Массивов
      • NumPy Zeros: Создание массивов и матриц с нулями в NumPy
      • Использование числа Пи в Python (NumPy и Math)
      • Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)
      • NumPy для Data Science на Python
      • Расчет скалярного произведения с использованием Numpy в Python
      • Расчет натурального логарифма на Python
    • Pandas
      • Python сводные таблицы – Полное руководство
      • Изучение API стиля Pandas
      • Объяснение группировки по нескольким столбцам в Pandas с примерами
      • Удаление индексной колонки DataFrame в Pandas: Руководство с примерами
      • Pandas Quantile: Расчет процентилей в DataFrame
      • Как рассчитать скользящее среднее (среднее арифметическое) в Pandas
      • Руководство по использованию метода fillna в Pandas для работы с отсутствующими данными в DataFrame
      • Pandas unique(): Получение уникальных значений в DataFrame
      • Распакуйте Ваши Данные с Помощью Функции Melt в Pandas
      • Pandas date_range: Как Создать Диапазон Дат в Pandas
      • Сброс индекса в Pandas: как сбросить индекс в Pandas
      • Pandas replace() – Замена значений в DataFrame Pandas
      • Перемещение столбца DataFrame Pandas на позицию (В начало и в конец)
      • Учебное пособие по Python Pandas: полное руководство
      • Pandas: Замена NaN на нули
      • Преобразование DataFrame Pandas в файл Pickle
      • Конвертация Pandas DataFrame в JSON
      • Преобразование DataFrame Pandas в Словарь
      • Преобразование Pandas DataFrame в Список
      • Чтение файлов Parquet в Pandas с помощью pd.read_parquet
      • Pandas dropna(): Удаление отсутствующих записей и столбцов в DataFrame
      • Как Добавить Новый Столбец в DataFrame Pandas
      • Подсчёт уникальных значений в Pandas
      • Отображение всех столбцов и строк в DataFrame Pandas
      • Pandas to_excel: Запись DataFrames в файлы Excel
      • Как использовать Pandas для чтения файлов Excel в Python
      • Преобразование списка словарей в Pandas DataFrame
      • Как добавить/вставить строку в DataFrame Pandas
      • Диаграмма рассеяния в Pandas: Как создать диаграмму рассеяния в Pandas
      • Pandas to_datetime: Преобразование строки Pandas в дату и время
      • Введение в Pandas для Data Science
      • Индексация, Выборка и Присваивание Данных в Pandas
      • Суммирование и Анализ Pandas DataFrame
      • Преобразование столбцов Pandas с помощью map и apply
      • Группировка данных в Pandas с использованием cut и qcut
      • Дата и время в Pandas и Python
      • Очистка и подготовка данных в Pandas и Python
      • Pandas GroupBy: группировка, суммирование и агрегация данных в Python
      • Pandas Дата и Время в Части Даты (месяц, год и т.д.)
      • Pandas: Получение номера строки из DataFrame
      • Вычисление Взвешенного Среднего в Pandas и Python
      • Как перемешать строки Pandas Dataframe в Python
      • Pandas: количество столбцов (подсчет столбцов в DataFrame)
      • Pandas Sum: сложение столбцов и строк DataFrame
      • Pandas Diff: Вычисление Разницы Между Строками Pandas
      • Нормализация столбца или датафрейма Pandas (с использованием Pandas или sklearn)
      • Функция Rank в Pandas: Ранжирование данных в Dataframe (Эквивалент SQL row_number)
      • Pandas Describe: Описательная статистика вашего Dataframe
      • Pandas Shift: Перемещение столбца DataFrame вверх или вниз
      • 7 Способов Выполнения Выборки Данных в Pandas
      • Экспорт DataFrame Pandas в CSV файл – Использование .to_csv()
      • Pandas: Итерация по строкам DataFrame в Pandas
      • Pandas: Преобразование значений столбца в строки
      • Дисперсия в Pandas: Вычисление дисперсии столбца в Pandas Dataframe
      • Pandas: Создание DataFrame из списков (5 способов!)
      • Pandas Rename Index: Как переименовать индекс DataFrame в Pandas
      • Pandas: Подсчёт уникальных значений в объекте GroupBy
      • Pandas: Добавить дни к колонке с датами
      • Среднее в Pandas: Как рассчитать среднее для одной или нескольких колонок
      • Pandas Column to List – Конвертируйте колонку Pandas в список
      • Транспонирование Dataframe в Pandas
      • Python: Разделение DataFrame Pandas
      • Как получить имена столбцов в DataFrame Pandas
      • Pandas: Количество строк в DataFrame (6 способов)
      • Создание пустого DataFrame Pandas и добавление данных
      • Как переименовать столбцы в Pandas DataFrame (с примерами)
      • Изменение порядка столбцов в Pandas: использование метода reindex и метода insert
      • Pandas get_dummies (One-Hot кодирование), объяснение
      • Относительные и Абсолютные Частоты в Python и Pandas
      • Финансовый год – Определение финансового года в Pandas
      • Как сортировать данные в DataFrame Pandas
  • Учебники Matplotlib и Seaborn
    • Seaborn
      • Регрессионные графики в Seaborn с использованием regplot и lmplot
      • Seaborn residplot – Построение остатков линейной регрессии
      • Seaborn jointplot() – Создание совместных графиков в Seaborn
      • Seaborn displot – Распределенческие графики в Python
      • Seaborn ecdfplot – Эмпирические функции накопленного распределения
      • Seaborn rugplot – Визуализация маргинальных распределений
      • Seaborn kdeplot – Создание графиков оценки плотности ядра
      • Seaborn histplot – Создание Гистограмм в Seaborn
      • Seaborn catplot – Визуализация категориальных данных в Python
      • Средняя тенденция для категориальных данных в Seaborn Pointplot
      • Seaborn stripplot: Jitter Plots для распределений категориальных данных
      • Seaborn Countplot – Подсчет категориальных данных в Python
      • Seaborn swarmplot: Bee Swarm Plots для распределения категориальных данных
      • Скрипичные графики Seaborn в Python: Полное руководство
      • Настройка расположения легенд Seaborn, меток, текста и т.д.
      • Тепловая карта Seaborn: Полное руководство
      • Создание многосекционных сеток в Seaborn с помощью FacetGrid
      • Удаление рамки в Seaborn: Как работать с рамкой
      • Заголовки и метки осей в Seaborn: добавление и настройка
      • Как установить Seaborn в Python (Исправление: no module named seaborn)
      • Seaborn relplot – Создание точечных и линейных графиков
      • Полное руководство по созданию точечных диаграмм (scatter plots) в Python с использованием Seaborn
    • Matplotlib
      • Режим Retina в Matplotlib: Улучшение Качества Графиков
      • Как построить функцию в Python с использованием Matplotlib
      • Как создать 3D-диаграммы рассеяния в Matplotlib
      • Как изменить размер шрифта в графике Matplotlib
      • Установка размера маркера в точечных диаграммах Matplotlib
      • Как изменить размер графика и фигуры в Matplotlib
      • Как добавить названия в Matplotlib: Заголовок, Подзаголовок, Названия Осей
      • Pandas Scatter Plot: Как создать диаграмму рассеяния в Pandas
      • Построение графиков в Python с помощью Matplotlib
      • Диаграммы рассеяния Matplotlib – Все, что вам нужно знать
      • Диаграммы с столбцами в Matplotlib – Узнайте все, что вам нужно знать
      • Линейные диаграммы Matplotlib – Всё, что вам нужно знать
      • Построение гистограммы в Python с Matplotlib и Pandas
  • Алгоритмы
    • Алгоритм поиска в ширину (BFS) в Python
    • Алгоритм поиска в глубину (DFS) на Python
  • AI создает хедж-фонд для анализа акций на Python
Powered by GitBook
On this page
  • Загрузка нашего набора данных
  • Объяснение функции Pandas Rolling()
  • Создание скользящего среднего в Pandas
  • Визуализация скользящей средней в Pandas
  • Изменение центра скользящего среднего в Pandas
  • Понимание параметра min_ periods в скользящем среднем Pandas
  • Вычисление скользящего среднего с помощью объекта GroupBy в Pandas
  • Вычислить скользящее среднее в Pandas с подсчетом шагов
  • Заключение
  • Дополнительные ресурсы
  1. Учебники по Pandas и Numpy
  2. Pandas

Как рассчитать скользящее среднее (среднее арифметическое) в Pandas

PreviousPandas Quantile: Расчет процентилей в DataFrameNextРуководство по использованию метода fillna в Pandas для работы с отсутствующими данными в DataFrame

Last updated 20 days ago

В этом посте вы узнаете, как рассчитать скользящее среднее в Pandas с использованием функции rolling(). Скользящие средние также известны как переменные средние

Создание скользящего среднего позволяет "сгладить" небольшие колебания в наборах данных, позволяя при этом прослеживать тенденции. Часто это используется в макроэкономике, например, при анализе уровня безработицы, валового внутреннего продукта и цен на акции. Скользящее среднее используется для создания подмножества полных данных и расчета среднего для этого подмножества. Это позволяет сгладить данные с высокой степенью колебаний.

К концу этого учебного пособия вы научитесь:

  • Как рассчитать скользящее среднее в Pandas

  • Как понять синтаксис метода .rolling()

  • Как изменить центр скользящего среднего

  • Как рассчитать скользящее среднее значение групп с помощью Pandas .groupby()

  • Как использовать другие параметры, такие как относительно новый параметр step=

Обновлено в 2023 году для включения более продвинутых способов использования, включая вычисление скользящего среднего по группам ваших данных и новый параметр step= , введенный в версии Pandas 1.5.

Оглавление

Загрузка нашего набора данных

Давайте загрузим набор данных для исследования функции сдвига. Мы использовать функцию date_range в Pandas для создания диапазона дат

import pandas as pd

prices = [62, 64, 63, 69, 71, 73, 74, 76, 75, 74, 72, 86, 98, 85, 103, 92, 93, 96, 96, 75, 84, 91, 71, 108, 106, 106, 115, 116, 122, 108, 101, 125, 119, 107, 123, 109, 163, 149, 99, 137, 110, 187, 116, 123, 144, 119, 176, 155, 179, 179, 123, 133, 200, 193, 136, 167, 131, 179, 200, 192, 138, 164, 210, 174, 257, 180, 173, 221, 204, 187, 283, 198, 223, 218, 198, 168, 279, 187, 261, 210, 221, 201, 257, 160, 312, 169, 239, 277, 148, 236, 255]

dates = pd.date_range('2022-04-01', periods=len(prices))

df = pd.DataFrame(data=zip(dates, prices), columns=['Date', 'Price'])
print(df.head())

Мы вывели на печать первые пять строк, используя функцию head:

#         Date  Price
# 0 2022-04-01     62
# 1 2022-04-02     64
# 2 2022-04-03     63
# 3 2022-04-04     69
# 4 2022-04-05     71

Объяснение функции Pandas Rolling()

Для расчета скользящего среднего в Pandas используется сочетание функций rolling() и mean(). Давайте рассмотрим функцию rolling() в Pandas подробнее:

# Понимание метода Pandas .rolling()
DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None, step=None, method='single')

В таблице ниже представлены различные параметры метода .rolling(), включая их значения по умолчанию и принятые значения:

Параметр
Значение по умолчанию
Описание
Принятые значения

window

Required

Размер скользящего окна (количество периодов, включаемых в расчет среднего значения)

Integer > 0

min_periods

1

Минимальное количество периодов, необходимое для получения достоверного результата (гарантирует, что в окне достаточно периодов для приемлемого среднего расчета).

Integer >= 0 (If None, defaults to window value)

center

False

Указывает, следует ли установить окно в центре точек данных или использовать завершающее окно (True устанавливает центр окна, False использует завершающее окно)

Boolean (True or False)

win_type

None

Тип окна, используемый для расчета среднего значения, влияющий на определение границ окна. Если нет, все баллы имеют одинаковый вес.

None or string: {‘boxcar’, ‘triang’, ‘blackman’, ‘hamming’, ‘bartlett’, ‘parzen’, ‘bohman’, ‘blackmanharris’, ‘nuttall’, ‘barthann’, ‘kaiser’, ‘gaussian’, ‘general_gaussian’, ‘slepian’, ‘dpss’, ‘chebwin’, ‘exponential’, ‘tukey’, ‘taylor’}

on

None

Для DataFrame — столбец, по которому рассчитывается скользящее среднее. Если нет, используется индекс.

Column label or None

axis

0

Ось, по которой вычисляется скользящее среднее

Integer {0 or 1} or string {‘index’, ‘columns’}

closed

‘right’

Сторона интервала окна, которую нужно закрыть (либо оба конца, либо только правый конец, либо только левый конец). Определяет, какие точки данных включены, при этом «право» является значением по умолчанию.

{‘right’, ‘left’, ‘both’, ‘neither’}

step

None

размер шага окна

method

'single'

метод вычисления окна

'single' используется для обычных оконных функций, 'table' для более сложных операций.

Теперь, когда у вас есть хорошее понимание метода .rolling(), давайте начнем вычислять скользящее среднее в Pandas.

Создание скользящего среднего в Pandas

В предыдущем разделе вы узнали, что метод .rolling() в Pandas возвращает скользящее окно заданного размера. Предположим, мы хотим рассчитать скользящее окно размера 7, мы можем просто передать целое число 7.

# Вычисление скользящего среднего с помощью Pandas
df['Rolling'] = df['Price'].rolling(7).mean()

print(df.head(10))

Возвращает это:

        Date  Price    Rolling
0 2022-04-01     62        NaN
1 2022-04-02     64        NaN
2 2022-04-03     63        NaN
3 2022-04-04     69        NaN
4 2022-04-05     71        NaN
5 2022-04-06     73        NaN
6 2022-04-07     74  68.000000
7 2022-04-08     76  70.000000
8 2022-04-09     75  71.571429
9 2022-04-10     74  73.142857

Давайте разберем, что мы здесь сделали:

  1. Мы создали новый столбец, используя метод rolling()

  2. Мы использовали значение 7 для создания скользящего 7-дневного окна.

  3. Мы затем применили метод .mean() для расчёта среднего значения этого скользящего окна.

Важно отметить, что здесь необходимо передавать цепочечный метод. В противном случае Python выдаст ошибку. Здесь вы можете передать различные методы для расчета других скользящих статистик.

Визуализация скользящей средней в Pandas

Давайте создадим визуализацию, чтобы продемонстрировать преимущества использования скользящего среднего. Чтобы визуализировать данные без использования скользящего среднего, мы можем написать следующий код:

# Визуализация данных без скользящих средних
import matplotlib.pyplot as plt
plt.plot(df['Date'], df['Price'])
plt.title('Данные без скользящего среднего')

plt.show()

Чтобы визуализировать, какое влияние оказывает скользящее среднее на сглаживание данных, мы можем построить два столбца на одном графике:

# Построение графика с учетом эффекта скользящего среднего
import matplotlib.pyplot as plt
plt.plot(df['Date'], df['Price'])
plt.plot(df['Date'], df['Rolling'])
plt.title('Данные со скользящим средним')

plt.show()

Это возвращает следующее изображение:

Изменение центра скользящего среднего в Pandas

По умолчанию Pandas использует крайнее правое значение для результатов, полученных в окне. Поэтому наши данные начинаются с седьмого дня, так как данных за первые шесть дней не существует. Мы можем изменить это поведение, модифицируя аргумент center= на True. Это приведет к тому, что значение "сдвинется" к центру индекса окна.

Давайте посмотрим, как мы можем сделать это в Pandas:

# Модификация центра окна
df = pd.DataFrame(data=zip(dates, prices), columns=['Date', 'Price'])
df['Rolling'] = df['Price'].rolling(7).mean()

df['Rolling Center'] = df['Price'].rolling(7, center=True).mean()

print(df.head(10))

# Returns:
#         Date  Price    Rolling  Rolling Center
# 0 2022-04-01     62        NaN             NaN
# 1 2022-04-02     64        NaN             NaN
# 2 2022-04-03     63        NaN             NaN
# 3 2022-04-04     69        NaN       68.000000
# 4 2022-04-05     71        NaN       70.000000
# 5 2022-04-06     73        NaN       71.571429
# 6 2022-04-07     74  68.000000       73.142857
# 7 2022-04-08     76  70.000000       73.571429
# 8 2022-04-09     75  71.571429       75.714286
# 9 2022-04-10     74  73.142857       79.285714

Мы видим, что окно было скорректировано. В результате этой коррекции, прокручиваемые данные начались с центра окна (который в данном случае был 4-й записью).

Понимание параметра min_ periods в скользящем среднем Pandas

Параметр min_periods играет ключевую роль в расчете скользящих средних в конкретных сценариях. Иногда для получения значимых результатов необходимо иметь достаточное количество данных в движущемся окне.

Параметр min_periods позволяет указать минимальное количество периодов, необходимых для получения допустимого результата при расчете скользящего среднего. Если в окне недостаточно периодов, функция вернет NaN (не число) для данного скользящего окна.

Этот параметр полезен для управления ситуациями, когда у вас есть нерегулярные или отсутствующие данные, или когда вы хотите обеспечить наличие достаточного количества данных для надежного расчета скользящего среднего.

Давайте исследуем параметр min_periods с нашим предыдущим набором данных:

# Изменение минимального количества периодов
import pandas as pd

prices = [62, 64, 63, 69, 71, 73, 74, 76, 75, 74, 72, 86, 98, 85, 103, 92, 93, 96, 96, 75, 84, 91, 71, 108, 106, 106, 115, 116, 122, 108, 101, 125, 119, 107, 123, 109, 163, 149, 99, 137, 110, 187, 116, 123, 144, 119, 176, 155, 179, 179, 123, 133, 200, 193, 136, 167, 131, 179, 200, 192, 138, 164, 210, 174, 257, 180, 173, 221, 204, 187, 283, 198, 223, 218, 198, 168, 279, 187, 261, 210, 221, 201, 257, 160, 312, 169, 239, 277, 148, 236, 255]

dates = pd.date_range('2022-04-01', periods=len(prices))
df = pd.DataFrame(data=zip(dates, prices), columns=['Date', 'Price'])

df['With Min Periods'] = df['Price'].rolling(window=4, min_periods=2).mean()
print(df.head())

# Returns:
#         Date  Price  With Min Periods
# 0 2022-04-01     62               NaN
# 1 2022-04-02     64             63.00
# 2 2022-04-03     63             63.00
# 3 2022-04-04     69             64.50
# 4 2022-04-05     71             66.75

Давайте разберем, что делает этот блок кода:

  1. Начнем с создания DataFrame df с нашими образцами данных.

  2. Затем мы вызываем метод rolling() для столбца 'Price' с размером окна в 4 периода и аргументом min_periods=2. Это указывает на то, что для получения допустимого результата нам требуется минимум 2 точки данных внутри скользящего окна. Если точек данных меньше 2, расчет приведет к NaN.

  3. Затем мы используем функцию mean() для расчета скользящего среднего для каждого окна.

  4. Наконец, мы присваиваем это новому столбцу, `'С минимальным количеством периодов'

Используя параметр min_periods, мы можем эффективно управлять ситуациями, когда для значимых расчетов скользящего среднего необходим минимальный объем данных. Это полезно для избежания потенциальных предвзятостей или ошибок при обработке нерегулярных или неполных данных в анализе.

Вычисление скользящего среднего с помощью объекта GroupBy в Pandas

В некоторых случаях вам может потребоваться вычислить скользящее среднее для различных групп в вашем наборе данных. Это тот случай, когда сочетание метода groupby со скользящим средним оказывается очень полезным. В этом разделе мы продемонстрируем, как использовать объект groupby для расчета скользящих средних для отдельных групп, используя набор данных, где мы добавляем дополнительный столбец для представления каждой группы.

Сначала давайте создадим образец DataFrame Pandas с колонкой 'group':

# Добавление группы в наш DataFrame
import pandas as pd

data = {
    'date': pd.date_range(start='1/1/2021', periods=15),
    'value': [1, 4, 6, 4, 5, 3, 6, 8, 10, 7, 6, 4, 2, 1, 3],
    'group': ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B', 'A', 'A', 'B', 'B', 'A', 'A', 'B']
}

df = pd.DataFrame(data)

Теперь давайте вычислим скользящее среднее для каждой группы, используя окно из 3 периодов:

# Вычисление скользящего среднего по группам
df['Avg'] = df.groupby('group')['value'].transform(lambda x: x.rolling(3, 3).mean())
print(df.head(7))

# Returns:
#          date  value group       Avg
# 0  2021-01-01      1     A       NaN
# 1  2021-01-02      4     A       NaN
# 2  2021-01-03      6     B       NaN
# 3  2021-01-04      4     B       NaN
# 4  2021-01-05      5     A  3.333333
# 5  2021-01-06      3     A  4.000000
# 6  2021-01-07      6     B  5.333333

Давайте разберем, что мы сделали в приведенном выше блоке кода:

  1. Сначала мы используем df.groupby('group') для группировки данных по столбцу ‘group’. В нашем примере есть две группы: ‘A’ и ‘B’.

  2. После этого мы применяем вычисление скользящего среднего для столбца value, используя построение цепочки ['value'].rolling(window=3, min_periods=3). Это указывает Pandas вычислять скользящее среднее для каждой группы отдельно, используя окно из 3 периодов и минимум 3 периода для получения допустимого результата.

  3. Мы используем функцию mean() для расчета фактического скользящего среднего для каждого окна внутри групп.

DataFrame rolling_avg_group теперь содержит значения скользящего среднего для каждой группы (A и B), рассчитанные независимо.

Вычислить скользящее среднее в Pandas с подсчетом шагов

Если вы хотите вычислить скользящее среднее, используя количество шагов, вы можете использовать параметр step=. Этот параметр относительно новый и был введен только в Pandas версии 1.5.

Это работает так же, как и первоначальное разделение данных с помощью [::step], но избавляет вас от необходимости пропускать данные в вашем DataFrame. Чтобы рассчитать скользящее среднее с шагом в Pandas, вы можете использовать следующее:

df['Stepped Rolling'] = df['Price'].rolling(3, step=3).mean()
print(df.head(7))

# Returns:
#         Date  Price  Stepped Rolling
# 0 2022-04-01     62              NaN
# 1 2022-04-02     64              NaN
# 2 2022-04-03     63              NaN
# 3 2022-04-04     69        65.333333
# 4 2022-04-05     71              NaN
# 5 2022-04-06     73              NaN
# 6 2022-04-07     74        72.666667

Мы видим, что первое значение формируется после существования трех полных значений. Затем среднее значение рассчитывается только для каждого третьего значения.

Заключение

В этом уроке вы научились вычислять скользящее среднее с использованием Pandas. Вы узнали, что такое скользящее среднее и почему оно полезно. Затем вы научились использовать функцию .rolling() в Pandas для создания скользящего окна, к которому применялся метод .mean(). Вы также научились визуализировать данные, а также изменять центр скользящего окна.

Дополнительные ресурсы

Чтобы узнать больше о схожих темах, ознакомьтесь с приведенными ниже учебными материалами:

  • Среднее значение Pandas: рассчитать среднее значение Pandas для одного или нескольких столбцов

  • Линейные диаграммы Matplotlib – узнайте все, что вам нужно знать

Чтобы узнать больше о функции прокрутки, ознакомьтесь .

с официальной документацией
Ссылка на код статьи
Загрузка нашего набора данных
Объяснение функции Pandas Rolling()
Создание скользящего среднего в Pandas
Визуализация скользящей средней в Pandas
Изменение центра скользящего среднего в Pandas
Понимание параметра min_ periods в скользящем среднем Pandas
Вычисление скользящего среднего с помощью объекта GroupBy в Pandas
Вычислить скользящее среднее в Pandas с подсчетом шагов
Заключение
Дополнительные ресурсы
Влияние скользящего среднего на ваши данные
Данные без скользящего среднего
Эффект скользящего среднего в Pandas