从Python中的数据点中find移动平均数
我再次玩Python，并且find了一个带有例子的整洁的书。 其中一个例子是绘制一些数据。 我有一个两列的.txt文件，我有数据。 我绘制的数据很好，但在练习中说：进一步修改程序来计算和绘制数据的运行平均值，定义如下：
$Y_k=\frac{1}{2r}\sum_{m=-r}^r y_{k+m}$ 在这种情况下r=5 （而y_k是数据文件中的第二列）。 让程序在同一个图上绘制原始数据和运行平均值。
到目前为止，我有这样的：
from pylab import plot, ylim, xlim, show, xlabel, ylabel from numpy import linspace, loadtxt data = loadtxt("sunspots.txt", float) r=5.0 x = data[:,0] y = data[:,1] plot(x,y) xlim(0,1000) xlabel("Months since Jan 1749.") ylabel("No. of Sun spots") show()
那么如何计算总和？ 在Mathematica中它很简单，因为它是符号操作（例如Sum [i，{i，0,10}）），但是如何在python中计算每一个十点的数据并对其求平均，直到结束点数？
我看了一下这本书，却发现什么都不能解释这个：
heltonbiker的代码做了诡计^^：D
from __future__ import division from pylab import plot, ylim, xlim, show, xlabel, ylabel, grid from numpy import linspace, loadtxt, ones, convolve import numpy as numpy data = loadtxt("sunspots.txt", float) def movingaverage(interval, window_size): window= numpy.ones(int(window_size))/float(window_size) return numpy.convolve(interval, window, 'same') x = data[:,0] y = data[:,1] plot(x,y,"k.") y_av = movingaverage(y, 10) plot(x, y_av,"r") xlim(0,1000) xlabel("Months since Jan 1749.") ylabel("No. of Sun spots") grid(True) show()
我得到这个：
非常感谢你^^ 🙂
在阅读这个答案之前，请记住下面还有另外一个答案，Roman Kh使用了
numpy.cumsum，比这个更快。
最佳将一个移动/滑动平均值（或任何其他滑动窗口函数）应用于信号的一种常用方法是使用numpy.convolve() 。
def movingaverage(interval, window_size): window = numpy.ones(int(window_size))/float(window_size) return numpy.convolve(interval, window, 'same')
这里，interval是你的x数组，而window_size是要考虑的样本数。 窗口将以每个样本为中心，因此它会在当前样本前后采样，以便计算平均值。 你的代码将变成：
plot(x,y) xlim(0,1000) x_av = movingaverage(interval, r) plot(x_av, y) xlabel("Months since Jan 1749.") ylabel("No. of Sun spots") show()
希望这可以帮助！
由于numpy.convolve非常慢，那些需要快速执行的解决scheme的人可能更喜欢更容易理解的cumsum方法。 这里是代码：
cumsum_vec = numpy.cumsum(numpy.insert(data, 0, 0)) ma_vec = (cumsum_vec[window_width:] - cumsum_vec[:-window_width]) / window_width
其中数据包含您的数据， ma_vec将包含移动的window_width长度的平均值。
cumsum的平均速度比convolve快大约30-40倍。
移动平均值是一个卷积，numpy将比大多数纯Python操作更快。 这会给你10点的移动平均线。
import numpy as np smoothed = np.convolve(data, np.ones(10)/10)
如果您使用时间序列数据，我也强烈build议使用大pandas包。 有一些很好的移动平均操作内置 。
ravgs = [sum(data[i:i+5])/5. for i in range(len(data)-4)]
这不是最有效的方法，但它会给你的答案，我不清楚你的窗口是5点还是10点。如果是10点，则用10代替5，用9代替4。
接受的答案有问题。 我认为我们需要在这里使用“有效”而不是“相同” – return numpy.convolve(interval, window, 'same') 。
作为一个例子，尝试这个数据集的MA = [1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6] – 结果应该是[4.2,5.4,6.0,5.0,5.0,5.2,5.4,4.4,5.4,5.6,5.6,4.6,7.0,6.8] ，但是“相同”给我们一个错误的输出[2.6,3.0,4.2,5.4,6.0,5.0,5.0,5.2,5.4,4.4,5.4,5.6,5.6, 4.6,7.0,6.8,6.2,4.8]
生锈的代码试试这个 – ：
result=[] dataset=[1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6] window_size=5 for index in xrange(len(dataset)): if index <=len(dataset)-window_size : tmp=(dataset[index]+ dataset[index+1]+ dataset[index+2]+ dataset[index+3]+ dataset[index+4])/5.0 result.append(tmp) else: pass result==movingaverage(y, window_size)
试试这与有效＆相同，看看math是否有道理。
另请参阅 – ： http : //sentdex.com/sentiment-analysisbig-data-and-python-tutorials-algorithmic-trading/how-to-chart-stocks-and-forex-doing-your-own-financial-charting/计算-简单移动平均-SMA蟒/
我觉得像这样：
aves = [sum(data[i:i+6]) for i in range(0, len(data), 5)]
但我总是要仔细检查指数是否符合我的预期。 你想要的范围是（0,5,10，…）和数据[0：6]会给你数据[0] …数据[5]
ETA：哎呀，当然，你想要大概而不是总和。 所以实际上使用你的代码和公式：
r = 5 x = data[:,0] y1 = data[:,1] y2 = [ave(y1[ir:i+r]) for i in range(r, len(y1), 2*r)] y = [y1, y2]
我的移动平均function，没有numpyfunction：
from __future__ import division # must be on first line of script class Solution: def Moving_Avg(self,A): m = A[0] B = [] B.append(m) for i in range(1,len(A)): m = (m * i + A[i])/(i+1) B.append(m) return B
