> For the complete documentation index, see [llms.txt](https://bemind.gitbook.io/neural/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://bemind.gitbook.io/neural/uchebniki-po-pandas-i-numpy/pandas/kak-rasschitat-skolzyashee-srednee-srednee-arifmeticheskoe-v-pandas.md). # Как рассчитать скользящее среднее (среднее арифметическое) в Pandas 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.

Влияние скользящего среднего на ваши данные

Оглавление * [Загрузка нашего набора данных](#zagruzka-nashego-nabora-dannykh) * [Объяснение функции Pandas Rolling()](#obyasnenie-funkcii-pandas-rolling) * [Создание скользящего среднего в Pandas](#sozdanie-skolzyashego-srednego-v-pandas) * [Визуализация скользящей средней в Pandas](#vizualizaciya-skolzyashei-srednei-v-pandas) * [Изменение центра скользящего среднего в Pandas](#izmenenie-centra-skolzyashego-srednego-v-pandas) * [Понимание параметра min\_ periods в скользящем среднем Pandas](#ponimanie-parametra-min_-periods-v-skolzyashem-srednem-pandas) * [Вычисление скользящего среднего с помощью объекта GroupBy в Pandas](#vychislenie-skolzyashego-srednego-s-pomoshyu-obekta-groupby-v-pandas) * [Вычислить скользящее среднее в Pandas с подсчетом шагов](#vychislit-skolzyashee-srednee-v-pandas-s-podschetom-shagov) * [Заключение](#zaklyuchenie) * [Дополнительные ресурсы](#dopolnitelnye-resursy) ### Загрузка нашего набора данных Давайте загрузим набор данных для исследования функции сдвига. Мы использовать функцию `date_range` в Pandas для создания диапазона дат ```python 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: ```python # 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: ```python # 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. ```python # Вычисление скользящего среднего с помощью Pandas df['Rolling'] = df['Price'].rolling(7).mean() print(df.head(10)) ``` Возвращает это: ```python 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: ```python # Визуализация данных без скользящих средних import matplotlib.pyplot as plt plt.plot(df['Date'], df['Price']) plt.title('Данные без скользящего среднего') plt.show() ```

Данные без скользящего среднего

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

Эффект скользящего среднего в Pandas

### 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: ```python # 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: ```python # 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': ```python # 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: ```python # 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: ```python 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](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.rolling.html). * [Ссылка на код статьи ](https://github.com/BeMindYou/Lesson/blob/main/Pandas/how_to_calculate_moving_average_simple_average_in_pandas.ipynb)