Python calculate exponentiell glidande medelvärde

Jag har en rad datum och en mätning på var och en av dessa datum. Jag gillar att beräkna ett exponentiellt glidande medelvärde för varje datum. Vet någon hur jag gör det här Jag är ny på python. Det verkar inte som medelvärden är inbyggda i standard python biblioteket, vilket slår mig som en liten udda. Kanske ser jag inte på rätt ställe. Så, med tanke på följande kod, hur kan jag beräkna det rörliga vägda genomsnittet av IQ-poäng för kalenderdatum (det är förmodligen ett bättre sätt att strukturera data, vilket råd skulle uppskattas) frågade jan 28 09 kl 18:01 Min python är en lite rostig (vem som helst kan gärna redigera den här koden för att göra korrigeringar, om Ive förstörde syntaxen på något sätt), men här går det. Denna funktion flyttas bakåt, från slutet av listan till början, beräkning av exponentiell glidande medelvärde för varje värde genom att arbeta bakåt tills viktkoefficienten för ett element är mindre än det angivna epsilonet. Vid slutet av funktionen vänds värdena innan du återgår listan (så att de är i rätt ordning för den som ringer). (Sidanotering: Om jag använde ett annat språk än python, skapar jag först en tom storlek i full storlek och fyller sedan den bakåt-order så att jag inte skulle behöva vända den i slutet. Men jag tror inte att du kan deklarera en stor tom matris i python. Och i pythonlistor är tillägget mycket billigare än förutbestämd, vilket är anledningen till att jag byggde listan i omvänd ordning. Var god och korrigera mig om jag är fel.) Alfa-argumentet är sönderfallsfaktorn vid varje iteration. Om du till exempel använde en alfa på 0,5, skulle dagens glidande medelvärde bestå av följande viktvärden: Naturligtvis, om du har ett stort antal värden, bidrar värdena från tio eller femton dagar sedan väldigt mycket till att dagens vägt genomsnitt. I epsilon-argumentet kan du ange en cutoff-punkt, under vilken du kommer att sluta bryr dig om gamla värden (eftersom deras bidrag till dagens värde blir obetydliga). Youd åberopar funktionen något så här: svarat 28 jan 09 kl 18:46 Jag vet inte Python, men för den genomsnittliga delen menar du ett exponentiellt sönderfallande lågpassfilter i formuläret där alfa dttau, dt filterets tidpunkt , Tau filterets tidskonstant (den här variabelstegsformen är följande, bara klippa dttau till inte vara mer än 1,0) Om du vill filtrera något som ett datum, se till att du konverterar till en flytande punktmängd Som om sekunder sedan 1 jan 1970. svarade den 28 januari kl 18:10 Jag hittade ovanstående kodbit av earino ganska användbar - men jag behövde något som ständigt kunde släpa en ström av värden - så jag refactored det till det här: och jag använder Det här: (där pin. read () producerar nästa värde, ID gillar att konsumera). svarade 12 feb 14 kl 20:35 Jag beräknar alltid EMAs med Pandas: Här är ett exempel hur man gör det: Mer information om Pandas EWMA: svarat 4 okt 15 kl 12:42 Don39t nyare versioner av Pandas har nya och bättre funktioner. ndash Cristian Ciupitu 11 maj 16 kl 14:10 Observera att till skillnad från i kalkylbladet beräknar jag inte SMA, och jag väntar inte på att generera EMA efter 10 prov. Det betyder att mina värden skiljer sig något, men om du kartlägger det följer det exakt efter 10 prov. Under de första 10 proverna, beräknar EMA jag på lämpligt sätt. Hmmm, det verkar som att denna quoteasy till implementquot-funktion är faktiskt ganska lätt att bli fel och har främjat en bra diskussion om minneseffektivitet. Jag är glad att ha uppblåst om det innebär att veta att någonting har gjorts rätt. ndash Richard Sep 20 14 kl 19:23 NumPys brist på en viss domänspecifik funktion kan bero på Core Teams disciplin och trovärdighet till NumPys huvuddirektiv: tillhandahålla en N-dimensionell array-typ. Samt funktioner för att skapa och indexera dessa arrays. Liksom många fundamentella mål är den här inte liten, och NumPy gör det briljant. Den (mycket) större SciPy innehåller en mycket större samling domänspecifika bibliotek (kallas subpackages av SciPy devs) - till exempel numerisk optimering (optimera), signalprocessing (signal) och integralkalkyl (integrera). Min gissning är att den funktion du är ute efter är i minst en av SciPy-subpackagesna (scipy. signal kanske) men jag skulle först se i samlingen av SciPy scikits. Identifiera relevanta scikit (er) och leta efter intresse av det där intresset. Scikits är självständigt utvecklade paket baserat på NumPySciPy och riktad till en viss teknisk disciplin (t. ex. scikits-image. Scikits-learn etc.) Flera av dessa var (särskilt den fina OpenOpt för numerisk optimering) högt ansedda, mogna projekt länge innan de väljer att bo under den relativt nya scikits rubriken. Scikits hemsida gillade att ovanstående listar cirka 30 sådana scikits. även om åtminstone flera av dessa inte längre är aktiva. Efter detta råd skulle du leda till scikits-timeseries men det paketet är inte längre under aktiv utveckling. I själva verket har Pandas blivit AFAIK, de facto NumPy-baserade tidsseribiblioteket. Pandas har flera funktioner som kan användas för att beräkna ett glidande medelvärde. Det enklaste av dessa är förmodligen rullande. Som du använder så här: Nu, ring bara funktionen rollingmean som passerar i Serieobjektet och en fönsterstorlek. vilket i mitt exempel nedan är 10 dagar. verifiera att det fungerade - t. ex. jämförda värden 10-15 i de ursprungliga serierna mot den nya serien slätad med rullande medelfunktionen Rollingmean tillsammans med ungefär ett dussintals annan funktion är informellt grupperade i Pandas dokumentation under rubrik flyttningsfönstret funktioner en andra relaterad grupp av funktioner i Pandas kallas exponentiellt vikttade funktioner (t. ex. ewma. som beräknar exponentiellt rörligt vägt genomsnitt). Det faktum att den andra gruppen inte ingår i de första (rörliga fönstervfunktionerna) är kanske att de exponentiellt viktade transformationerna inte bygger på ett fastlängdsfönster. Jag är i färd med att skapa en Forex trading algoritm och ville försöka mitt skott vid beräkning EMA (exponentiella rörliga medelvärden). Mina resultat verkar vara korrekta (jämfört med beräkningarna jag gjorde för hand) så jag tror att följande metod fungerar, men ville bara få en extra uppsättning ögon för att jag inte missar något. Observera att detta bara returnerar EMA för det senaste priset, det returnerar inte en rad EMA-enheter, eftersom det inte är vad jag behöver för min ansökan. Rekursion är ett bra verktyg för rätt jobb, men här används det för att uppnå enkel looping. Som sådan koden. Är svårare att läsa och motivera. är långsammare eftersom mycket av koden i ema bara behöver springa en gång. kommer att misslyckas med tillräckligt stort värde i fönstret på grund av överflödande Pythons call stack. Vänligen ange åtminstone parametrarna för varje funktion, t. ex. Det här fönstret är längden på fönstret, och den positionen räknas bakåt från slutet av data. (Faktum är att saker skulle vara tydligare om positionen var ett normalt framåtriktat index i data) Höj ett undantag när du hittar en parameter har ett ogiltigt värde. Returnera None istället kommer bara att orsaka ett mer förvirrande undantag senare. Faktum är att om jag försöker indikatorer (). Ema (closeprices, 600) får jag oändlig recursion eftersom sma returnerar None. Vilket gör ema call sma om och om igen. Den föregående punkten avslöjar också att om len (data) lt fönster 2 inte är rätt validitetskontroll. Den 1 i data-window2 1: - window 1 verkar inte korrekt för mig. Jag antar att du vill ha data-window2: - window Uttalandet returnera tidigareema är på en udda plats eftersom du då har beräknat ett nytt aktuellt ämne. Detta är basfallet av rekursionen, och det är vanligt att hantera basfallet först. Mitt förslag till ema: svarat 26 nov 14 kl 18:56 Ganska grundlig granskning: Du behöver inte skriva en klass för vad du gör (och jag föreslår att du tittar på den här videon). Din klass inkapslar inte någon data och du använder den bara för att få dina funktioner i samma enhet. Jag antar att saker skulle lättare förstå om du skulle definiera klassmetod för att göra det uppenbart att du inte kommer att förlita dig på någon som helst orsak. Men ett ännu bättre alternativ skulle vara att bara definiera funktioner i en indikatormodul. svarat nov 24 14 kl 18:04 Tack för de förslag som jag faktiskt hade dem som classmethods och debatterade gå fram och tillbaka mellan även med en klass eller bara definiera funktioner i en indikatormodul (som jag nu ska göra). Ndash ChrisC Nov 25 14 at 19:12 Bara tittade på videon också, bra saker. Ndash ChrisC Nov 25 14 på 19:43 Ditt svar 2017 Stack Exchange, IncSmoothing med exponentiellt viktat Flyttmedelvärde Ett rörligt medelvärde tar en högljudd tidsserie och ersätter varje värde med medelvärdet för ett grannskap om det angivna värdet. Detta grannskap kan bestå av rent historiska data, eller det kan vara centrerat om det givna värdet. Vidare kan värdena i grannskapet vägas med olika viktsatser. Här är ett exempel på ett lika viktat trepunkts glidande medelvärde, med historisk data, Här representerar den släta signalen, och representerar bullriga tidsserier. Till skillnad från enkla rörliga medelvärden, justerar ett exponentiellt vägt rörligt medelvärde (EWMA) ett värde enligt en exponentiellt vägd summa av alla tidigare värden. Detta är den grundläggande idén, det här är trevligt för att du inte behöver oroa dig för att ha ett trepunktsfönster, jämfört med ett fempunktsfönster, eller oroa dig för att ditt viktningsschema är lämpligt. Med EWMA, tidigare störningar 8220remembered, 8221 och 8220glömt bort, 8221 av termen i den sista ekvationen, medan med ett fönster eller grannskap med diskreta gränser, glöms en störning så snart den passerar ut genom fönstret. Medelvärdet av EWMA för att tillgodose trender Efter att ha läst om EWMA i en databasbok hade jag lyckats med att använda det här verktyget på varje utjämningsprogram som jag kom över. Det var inte förrän senare som jag lärde mig att EWMA-funktionen egentligen bara är lämplig för stationär data, dvs data utan trender eller säsonglighet. I synnerhet motverkar EWMA-funktionen trender bort från strömmen att it8217s redan 8220seen22221. Så om du har en högljudd hattfunktion som går från 0 till 1 och sedan tillbaka till 0, kommer EWMA-funktionen att returnera låga värden på uppåt-sidan och höga värden på nedre sidan. Ett sätt att kringgå detta är att släta signalen i båda riktningarna, marschera framåt och sedan marschera bakåt, och sedan genomsnittet de två. Här använder vi EWMA-funktionen som tillhandahålls av pandasmodulen. Holt-Winters Second Order EWMA Och här är en Python-kod som implementerar Holt-Winters andra ordningsmetod på en annan högljudd hattfunktion, som tidigare. Postnavigering Senaste inlägg