从Python中的数据点中找到移动平均数

Question

我在Python中再玩一遍，并且找到了一个带有示例的整洁书。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。我绘制的数据不错，但在运动，它说：进一步修改程序来计算和绘制数据，通过规定的移动平均：

$Y_k=\frac{1}{2r}\sum_{m=-r}^r y_{k+m}$ 

其中r=5在这种情况下（与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}]），但是如何计算python中的和，并将数据中的每10个点取平均值，直到结束点数？

我看着书，但没有发现任何可以解释这一点：\

---

heltonbiker代码的伎俩^^：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() 

而且我得到了这一点：

非常感谢你^^ :)

Answer 1

Before reading this answer, bear in mind that there is another answer below, from Roman Kh, which uses numpy.cumsum and is MUCH MUCH FASTER than this one.

---

最佳 一种常见方式替换每个5 10和4施加移动/到一个信号的滑动平均（或任何其它的滑动窗函数）是通过使用numpy.convolve()。

def movingaverage(interval, window_size): 
    window = numpy.ones(int(window_size))/float(window_size) 
    return numpy.convolve(interval, window, 'same') 

在这里，时间间隔为您x数组，window_size是样本的数量来考虑。该窗口将以每个样本为中心，因此它会在当前样本之前和之后进行采样以计算平均值。您的代码将变为：

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() 

希望这有助于！

Answer 2

我觉得是这样的：

aves = [sum(data[i:i+6]) for i in range(0, len(data), 5)] 

但我总是要仔细检查指标都在做什么，我的期望。你想要的范围是（0,5,10，...），data [0：6]会给你数据[0] ... data [5]

ETA：oops，当然，不是总和。因此，实际使用您的代码和公式：

r = 5 
x = data[:,0] 
y1 = data[:,1] 
y2 = [ave(y1[i-r:i+r]) for i in range(r, len(y1), 2*r)] 
y = [y1, y2] 

Answer 3

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，我还不清楚，如果你的窗口是5分或10。如果其10与9.

Answer 4

移动平均值是一个卷积，numpy比大多数纯Python操作要快。这会给你10点移动平均线。

import numpy as np 
smoothed = np.convolve(data, np.ones(10)/10) 

我也要强烈使用大包熊猫建议，如果你是时间序列数据的工作。有一些不错的moving average operations built in。

Answer 5

接受的答案存在问题。我认为我们需要使用“有效”而不是“相同”这里 - return numpy.convolve(interval, window, 'same')。

作为一个实施例尝试这个数据集= [1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6]的MA - 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]，但是具有“相同”让我们的[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]

生锈的代码不正确的输出，以尝试了这一点 - ：

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) 

试试这个有效的&相同，看看数学是否有意义。

参见 - ：http://sentdex.com/sentiment-analysisbig-data-and-python-tutorials-algorithmic-trading/how-to-chart-stocks-and-forex-doing-your-own-financial-charting/calculate-simple-moving-average-sma-python/

Answer 6

由于numpy.convolve是相当缓慢的，那些谁需要一个快速解决方案执行可能更喜欢一个更容易理解cumsum方法。下面是代码：

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，并ma_vec将包含移动平均window_width长度。

平均而言，cumsum比卷积快了约30-40倍。

Answer 7

我的移动平均线功能，无需numpy的功能：

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