精华内容
下载资源
问答
  • Matlab的smooth函数默认情况下... 例如,如果这是我的数据MATLAB在NumPy/Python中的平滑实现(n点移动平均)00.8235294117647060.8529411764705880.7058823529411770.7058823529411770.6764705882352940.6764705882...

    Matlab的smooth函数默认情况下使用5点移动平均来平滑数据。在Python中做同样的事情最好的方法是什么? 例如,如果这是我的数据MATLAB在NumPy/Python中的平滑实现(n点移动平均)

    0

    0.823529411764706

    0.852941176470588

    0.705882352941177

    0.705882352941177

    0.676470588235294

    0.676470588235294

    0.500000000000000

    0.558823529411765

    0.647058823529412

    0.705882352941177

    0.705882352941177

    0.617647058823529

    0.705882352941177

    0.735294117647059

    0.735294117647059

    0.588235294117647

    0.588235294117647

    1

    0.647058823529412

    0.705882352941177

    0.764705882352941

    0.823529411764706

    0.647058823529412

    0.735294117647059

    0.794117647058824

    0.794117647058824

    0.705882352941177

    0.676470588235294

    0.794117647058824

    0.852941176470588

    0.735294117647059

    0.647058823529412

    0.647058823529412

    0.676470588235294

    0.676470588235294

    0.529411764705882

    0.676470588235294

    0.794117647058824

    0.882352941176471

    0.735294117647059

    0.852941176470588

    0.823529411764706

    0.764705882352941

    0.558823529411765

    0.588235294117647

    0.617647058823529

    0.647058823529412

    0.588235294117647

    0.617647058823529

    0.647058823529412

    0.794117647058824

    0.823529411764706

    0.647058823529412

    0.617647058823529

    0.647058823529412

    0.676470588235294

    0.764705882352941

    0.676470588235294

    0.647058823529412

    0.705882352941177

    0.764705882352941

    0.705882352941177

    0.500000000000000

    0.529411764705882

    0.529411764705882

    0.647058823529412

    0.676470588235294

    0.588235294117647

    0.735294117647059

    0.794117647058824

    0.852941176470588

    0.764705882352941

    平滑的数据应该是

    0

    0.558823529411765

    0.617647058823530

    0.752941176470588

    0.723529411764706

    0.652941176470588

    0.623529411764706

    0.611764705882353

    0.617647058823530

    0.623529411764706

    0.647058823529412

    0.676470588235294

    0.694117647058824

    0.700000000000000

    0.676470588235294

    0.670588235294118

    0.729411764705882

    0.711764705882353

    0.705882352941177

    0.741176470588235

    0.788235294117647

    0.717647058823529

    0.735294117647059

    0.752941176470588

    0.758823529411765

    0.735294117647059

    0.741176470588235

    0.752941176470588

    0.764705882352941

    0.752941176470588

    0.741176470588235

    0.735294117647059

    0.711764705882353

    0.676470588235294

    0.635294117647059

    0.641176470588236

    0.670588235294118

    0.711764705882353

    0.723529411764706

    0.788235294117647

    0.817647058823530

    0.811764705882353

    0.747058823529412

    0.717647058823530

    0.670588235294118

    0.635294117647059

    0.600000000000000

    0.611764705882353

    0.623529411764706

    0.658823529411765

    0.694117647058824

    0.705882352941176

    0.705882352941176

    0.705882352941176

    0.682352941176471

    0.670588235294118

    0.676470588235294

    0.682352941176471

    0.694117647058824

    0.711764705882353

    0.700000000000000

    0.664705882352941

    0.641176470588236

    0.605882352941177

    0.582352941176471

    0.576470588235294

    0.594117647058824

    0.635294117647059

    0.688235294117647

    0.729411764705882

    0.747058823529412

    0.803921568627451

    0.764705882352941

    在Matlab的语法来获得,这是

    smooth(data)

    我想要做相同的蟒蛇,但我无法找到任何可以做到这一点的功能。

    2016-11-05

    rsnaveen

    +0

    这个问题是不是一样http://stackoverflow.com/questions/13728392/moving-average-or-磨合是什么意思? –

    +0

    @BillBell我不这么认为 –

    +0

    这里有一些其他的例子:http://scipy-cookbook.readthedocs.io/items/SignalSmooth.html –

    展开全文
  • 什么是移动平均法?移动平均法是用一组最近的实际数据值来预测未来一期或几期内公司产品的需求量、公司产能等的一种常用方法。...移动平均法是一种简单平滑预测技术,它的基本思想是:根据时间序列...

    什么是移动平均法?

    移动平均法是用一组最近的实际数据值来预测未来一期或几期内公司产品的需求量、公司产能等的一种常用方法。移动平均法适用于即期预测。当产品需求既不快速增长也不快速下降,且不存在季节性因素时,移动平均法能有效地消除预测中的随机波动,是非常有用的。移动平均法根据预测时使用的各元素的权重不同,可以分为:简单移动平均和加权移动平均。

    移动平均法是一种简单平滑预测技术,它的基本思想是:根据时间序列资料、逐项推移,依次计算包含一定项数的序时平均值,以反映长期趋势的方法。因此,当时间序列的数值由于受周期变动和随机波动的影响,起伏较大,不易显示出事件的发展趋势时,使用移动平均法可以消除这些因素的影响,显示出事件的发展方向与趋势(即趋势线),然后依趋势线分析预测序列的长期趋势。

    [编辑]

    移动平均法的种类

    移动平均法可以分为:简单移动平均和加权移动平均。

    [编辑]

    简单移动平均的各元素的权重都相等。简单的移动平均的计算公式如下: Ft=(At-1+At-2+At-3+…+At-n)/n式中,

    Ft--对下一期的预测值;

    n--移动平均的时期个数;

    At-1--前期实际值;

    At-2,At-3和At-n分别表示前两期、前三期直至前n期的实际值。

    [编辑]

    加权移动平均给固定跨越期限内的每个变量值以不同的权重。其原理是:历史各期产品需求的数据信息对预测未来期内的需求量的作用是不一样的。除了以n为周期的周期性变化外,远离目标期的变量值的影响力相对较低,故应给予较低的权重。 加权移动平均法的计算公式如下:

    Ft=w1At-1+w2At-2+w3At-3+…+wnAt-n式中,

    w1--第t-1期实际销售额的权重;

    w2--第t-2期实际销售额的权重;

    wn--第t-n期实际销售额的权重;

    n--预测的时期数;w1+ w2+…+ wn=1

    在运用加权平均法时,权重的选择是一个应该注意的问题。经验法和试算法是选择权重的最简单的方法。一般而言,最近期的数据最能预示未来的情况,因而权重应大些。例如,根据前一个月的利润和生产能力比起根据前几个月能更好的估测下个月的利润和生产能力。但是,如果数据是季节性的,则权重也应是季节性的。

    [编辑]

    移动平均法的优缺点

    使用移动平均法进行预测能平滑掉需求的突然波动对预测结果的影响。但移动平均法运用时也存在着如下问题:

    1、 加大移动平均法的期数(即加大n值)会使平滑波动效果更好,但会使预测值对数据实际变动更不敏感;

    2、 移动平均值并不能总是很好地反映出趋势。由于是平均值,预测值总是停留在过去的水平上而无法预计会导致将来更高或更低的波动;

    3、 移动平均法要由大量的过去数据的记录。

    [编辑]

    移动平均法案例分析

    [编辑]

    案例一:移动平均法在公交运行时间预测中的应用

    公交车运行时间原始数据的采集采用的是人工测试法,即由记录人员从起始点到终点跟踪每辆客车,并记录下车辆在每个站点之间的运行时间。行驶路线选用的是长春公交306路,始发站为长春大学,终点站为火车站。数据采集的日期是从2001年4月3日到4月5日。这三天属工作日,因为公交运行时间因时间的不同而有不同的结果。所以这些数据只作为预测工作日运行时间。采集的数据是该路从工农广场站点到桂林路站点之间的运行时间。

    (1)N取3-20,利用移动平均法预测得到的结果见表1。

    移动平均法预测表

    KN

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    6:40

    15

    5

    6:41

    16

    5

    5

    6:41

    17

    4

    4

    4

    6:42

    18

    4

    4

    4

    4

    6:43

    19

    4

    4

    4

    4

    4

    6:44

    20

    4

    4

    4

    4

    4

    4

    6:45

    21

    4

    4

    4

    4

    4

    4

    4

    6:46

    22

    4

    4

    4

    4

    4

    4

    4

    4

    6:47

    22

    4

    4

    4

    4

    4

    4

    4

    4

    4

    6:48

    23

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    6:49

    24

    5

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    6:50

    25

    5

    5

    5

    4

    4

    4

    4

    4

    4

    4

    4

    4

    6:51

    26

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    4

    6:52

    27

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    6:53

    28

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    6:54

    29

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    6:55

    30

    6

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    6:56

    31

    6

    6

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    6:57

    32

    6

    6

    6

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    6:58

    33

    6

    6

    6

    6

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    6:59

    34

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:00

    35

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:01

    36

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:02

    37

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:03

    38

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:04

    39

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:05

    40

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:06

    41

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:07

    42

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:08

    43

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:09

    44

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    7:10

    45

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    7:11

    46

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    7:12

    47

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    7:13

    48

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    7:14

    49

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    7:15

    50

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    7:16

    51

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    7:17

    52

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    7:18

    53

    5

    5

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    7:19

    54

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    7:20

    55

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    7:21

    56

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    4

    4

    4

    7:22

    57

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    4

    7:23

    58

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    7:24

    59

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    7:25

    60

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    7:26

    61

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    7:27

    62

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    7:28

    63

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    7:29

    64

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    7:30

    65

    5

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    7:31

    66

    5

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:32

    67

    5

    5

    5

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:33

    68

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    7:34

    69

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    7:35

    70

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    7:36

    71

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    7:37

    72

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    7:38

    73

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    5

    5

    5

    7:39

    74

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    5

    5

    7:40

    75

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    4

    4

    5

    7:41

    76

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    4

    4

    4

    4

    5

    7:42

    77

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:43

    78

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:44

    79

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:45

    80

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:46

    81

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:47

    82

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:48

    83

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:49

    84

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:50

    85

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:51

    86

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:52

    87

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:53

    88

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:54

    89

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:55

    90

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:56

    91

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:57

    92

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    5

    5

    7:58

    93

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    5

    7:59

    94

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    5

    5

    8:00

    95

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    5

    8:01

    96

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    5

    5

    8:02

    97

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    5

    8:03

    98

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:04

    99

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:05

    100

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:06

    101

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:07

    102

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:08

    103

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:09

    104

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:10

    105

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:11

    106

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:12

    107

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:13

    108

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:14

    109

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:15

    110

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:16

    111

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:17

    112

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:18

    113

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:19

    114

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:20

    115

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:21

    116

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:22

    117

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:23

    118

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    8:24

    119

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    4

    (2)N取3~20,得到的预测结果图形见图。

    说明:横坐标代表时间刻度,纵坐标代表所用时间(即预测时间);由于横坐标时间刻度是一分钟,所以无法体现每一刻度值,纵坐标刻度是2、4、6、8,单位是分钟。其坐标的顶点坐标是(6:38,2)。

    由预测结果图形可以看出,当N的取值不同,所形成的曲线形状大致相同,只是N的取值越大其形成的曲线就相对于前一N值所形成的曲线有一个滞后偏差,因为N每增加一次,做移动平均值预测时就忽略了其对应单位时间序列的数据值,因此有这一现象。

    (3)N取3~20一次移动平均法工作日误差指标如表2。

    一次移动平均法工作日误差指标

    N值

    3

    4

    5

    6

    7

    8

    9

    10

    11

    0.1424

    01457

    01389

    0.1321

    0.1502

    0.1511

    0.1478

    0.1400

    0.1455

    N值

    12

    13

    14

    15

    16

    17

    18

    19

    20

    相对误差

    0.1428

    0.1409

    0.1500

    0.1510

    0.1423

    0.1470

    0.1523

    0.1655

    0.1620

    其中,相对误差=1/N

    ||

    ||/

    由上表可以看出,当预测日期为工作日时,相对误差最小的是N=6时预测所得的数据。所以认为该参数最合适,并可作为工农广场到桂林路站点之间公交车行程时间的预测依据。

    [编辑]

    案例二:简单移动平均法在房地产中的运用

    某类房地产2001年各月的价格如下表中第二列所示。由于各月的价格受某些不确定因素的影响,时高时低,变动较大。如果不予分析,不易显现其发展趋势。如果把每几个月的价格加起来计算其移动平均数,建立一个移动平均数时间序列,就可以从平滑的发展趋势中明显地看出其发展变动的方向和程度,进而可以预测未来的价格。

    在计算移动平均数时,每次应采用几个月来计算,需要根据时间序列的序数和变动周期来决定。如果序数多,变动周期长,则可以采用每6个月甚至每12个月来计算;反之,可以采用每2个月或每5个月来计算。对本例房地产2001年的价格,采用每5个月的实际值计算其移动平均数。计算方法是:把1~5月的价格加起来除以5得684元/平方米,把2~6月的价格加起来除以5得694元/平方米,把3~7月的价格加起来除以5得704元/平方米,依此类推,见表中第三列。再根据每5个月的移动平均数计算其逐月的上涨额,见表中第四列。

    表 某类房地产2001年各月的价格(元/平方米)

    月份

    每5个月的移动平均数的

    移动平均数逐月上涨额

    1

    670

    2

    680

    3

    690

    684

    4

    680

    694

    10

    5

    700

    704

    10

    6

    720

    714

    10

    7

    730

    726

    12

    8

    740

    738

    12

    9

    740

    750

    12

    10

    760

    762

    12

    11

    780

    12

    790

    假如需要预测该类房地产2002年1月的价格,则计算方法如下:由于最后一个移动平均数762与2002年1月相差3个月,所以预测该类房地产2002年1月的价格为:762 + 12 × 3 = 798(元/平方米)

    [编辑]

    案例三:加权移动平均法在计算销售额中的运用

    某商场1月份至11月份的实际销售额如表所示。假定跨越期为3个月,权数为l、2、3,试用加权移动平均法预测12月份的销售额。

    表 加权移动平均值计算表 单位:万元

    月份

    3个月的加权移动平均

    1

    38

    2

    45

    3

    35

    4

    49

    38.83

    5

    70

    43.67

    6

    43

    57.17

    7

    46

    53.00

    8

    55

    49.00

    9

    45

    50.00

    10

    68

    48.5

    11

    64

    58.17

    12

    62.17

    解:

    =38.83(万元)

    =43.67(万元)

    ……

    =62.17(万元)

    展开全文
  • Matlab's smooth function, by default, smooths data using a 5-point moving ... What would be the best way to do the same in python?For example, if this is my data00.8235294117647060.85294117647058...

    Matlab's smooth function, by default, smooths data using a 5-point moving average. What would be the best way to do the same in python?

    For example, if this is my data

    0

    0.823529411764706

    0.852941176470588

    0.705882352941177

    0.705882352941177

    0.676470588235294

    0.676470588235294

    0.500000000000000

    0.558823529411765

    0.647058823529412

    0.705882352941177

    0.705882352941177

    0.617647058823529

    0.705882352941177

    0.735294117647059

    0.735294117647059

    0.588235294117647

    0.588235294117647

    1

    0.647058823529412

    0.705882352941177

    0.764705882352941

    0.823529411764706

    0.647058823529412

    0.735294117647059

    0.794117647058824

    0.794117647058824

    0.705882352941177

    0.676470588235294

    0.794117647058824

    0.852941176470588

    0.735294117647059

    0.647058823529412

    0.647058823529412

    0.676470588235294

    0.676470588235294

    0.529411764705882

    0.676470588235294

    0.794117647058824

    0.882352941176471

    0.735294117647059

    0.852941176470588

    0.823529411764706

    0.764705882352941

    0.558823529411765

    0.588235294117647

    0.617647058823529

    0.647058823529412

    0.588235294117647

    0.617647058823529

    0.647058823529412

    0.794117647058824

    0.823529411764706

    0.647058823529412

    0.617647058823529

    0.647058823529412

    0.676470588235294

    0.764705882352941

    0.676470588235294

    0.647058823529412

    0.705882352941177

    0.764705882352941

    0.705882352941177

    0.500000000000000

    0.529411764705882

    0.529411764705882

    0.647058823529412

    0.676470588235294

    0.588235294117647

    0.735294117647059

    0.794117647058824

    0.852941176470588

    0.764705882352941

    the smoothed data should be

    0

    0.558823529411765

    0.617647058823530

    0.752941176470588

    0.723529411764706

    0.652941176470588

    0.623529411764706

    0.611764705882353

    0.617647058823530

    0.623529411764706

    0.647058823529412

    0.676470588235294

    0.694117647058824

    0.700000000000000

    0.676470588235294

    0.670588235294118

    0.729411764705882

    0.711764705882353

    0.705882352941177

    0.741176470588235

    0.788235294117647

    0.717647058823529

    0.735294117647059

    0.752941176470588

    0.758823529411765

    0.735294117647059

    0.741176470588235

    0.752941176470588

    0.764705882352941

    0.752941176470588

    0.741176470588235

    0.735294117647059

    0.711764705882353

    0.676470588235294

    0.635294117647059

    0.641176470588236

    0.670588235294118

    0.711764705882353

    0.723529411764706

    0.788235294117647

    0.817647058823530

    0.811764705882353

    0.747058823529412

    0.717647058823530

    0.670588235294118

    0.635294117647059

    0.600000000000000

    0.611764705882353

    0.623529411764706

    0.658823529411765

    0.694117647058824

    0.705882352941176

    0.705882352941176

    0.705882352941176

    0.682352941176471

    0.670588235294118

    0.676470588235294

    0.682352941176471

    0.694117647058824

    0.711764705882353

    0.700000000000000

    0.664705882352941

    0.641176470588236

    0.605882352941177

    0.582352941176471

    0.576470588235294

    0.594117647058824

    0.635294117647059

    0.688235294117647

    0.729411764705882

    0.747058823529412

    0.803921568627451

    0.764705882352941

    The syntax in Matlab to get this is

    smooth(data)

    I want to do the same in python but I am unable to find any function that would do this.

    解决方案

    MATLAB's smoooth func is basically same as averaging across sliding windows of length 5, except the way it treats the 2 elems at either ends. As per the linked docs, those boundary cases are computed with these formulae -

    yy = smooth(y) smooths the data in the column vector y ..

    The first few elements of yy are given by

    yy(1) = y(1)

    yy(2) = (y(1) + y(2) + y(3))/3

    yy(3) = (y(1) + y(2) + y(3) + y(4) + y(5))/5

    yy(4) = (y(2) + y(3) + y(4) + y(5) + y(6))/5

    ...

    So, to replicate the same implementation on NumPy/Python, we can use NumPy's 1D convolution for getting sliding windowed summations and divide them by the window length to give us the average results. Then, simply append the special case treated values for the boundary elems.

    Thus, we would have an implementation to handle generic window sizes, like so -

    def smooth(a,WSZ):

    # a: NumPy 1-D array containing the data to be smoothed

    # WSZ: smoothing window size needs, which must be odd number,

    # as in the original MATLAB implementation

    out0 = np.convolve(a,np.ones(WSZ,dtype=int),'valid')/WSZ

    r = np.arange(1,WSZ-1,2)

    start = np.cumsum(a[:WSZ-1])[::2]/r

    stop = (np.cumsum(a[:-WSZ:-1])[::2]/r)[::-1]

    return np.concatenate(( start , out0, stop ))

    展开全文
  • 移动平均 import numpy as np def Move_average(list, n): list = np.convolve(lis, np.ones(n) / n, mode='valid') print("移动平均: ", list) return list def Std(list): std = np.std(list) pri...

    移动平均

    import numpy as np
    
    def Move_average(list, n):
    
        list = np.convolve(lis, np.ones(n) / n, mode='valid')
        print("移动平均: ", list)
        return list
    
    def Std(list):
    
        std = np.std(list)
        print("标准差:", std)
    
    def Smoothing_factor(list1, list2, n, nums):
    
        T=1.0
        a = 2*list1[-1]-list2[-1]
        b = 2/(n-1)*list1[-1]-list2[-1]
        print("平滑系数a,b分别为: ", a, b)
        X = a+b*T
        print("第%d期的预测值为:" %(nums+1), X)
    
    if __name__ == '__main__':
    
        nums = 8
        n = 3
        lis = []
        lis2 = []
    
        for i in range(0, nums):
            lis.append(np.random.randint(100))
    
        lis.sort()
        print("原始列表为: ", lis)
        lis = Move_average(lis, n)
        Std(lis)
        lis2 = Move_average(lis, n)
        Smoothing_factor(lis, lis2, n, nums)
    

    在这里插入图片描述
    指数平滑

    import numpy as np
    
    
    def EMA(list, alpha):
     new_list = np.zeros(len(list))
     new_list[0] = (list[0] + list[1] + list[2]) / 3
     for i in range(1, len(list)):
      new_list[i] = alpha * new_list[i] + (1 - alpha) * new_list[i - 1]
     return new_list
    
    if __name__ == '__main__':
     nums = 7
     alpha = 0.5
     lis = []
     for i in range(0, nums):
      lis.append(np.random.randint(100))
    
     print("指数平滑结果: ",EMA(lis, alpha))
    

    在这里插入图片描述

    展开全文
  • 总结使用递归和循环两种方法来完成python环境下循环相比于递归更快,更适应极端样本情况递归def _ema(arr,i=None):N = len(arr)α = 2/(N+1) #平滑指数i = N-1 if i is None else iif i==0:return arr[i]else:data =...
  • 说明:基于python的指数平滑预测平滑系数确定、计算、误差分析、结果输出与可视化。指数平滑法指数平滑法是生产预测中常用的一种方法。...而指数平滑法则兼容了全期平均和移动平均所长,不舍弃过去...
  • Python量化投资——时间序列数据指数平滑移动平均值的高效计算定义EMA循环生成方法Pandas提供的方法基于Numpy的向量化方法性能对比Numpy方法的局限性及解决方案 定义 在对股票的历史价格数据进行分析的过程中,...
  • 指数平滑法相比于移动平均法,它是一种特殊的加权平均方法。简单移动平均法用的是算术平均数,近期数据对预测值的影响比远期数据要大一些,而且越近的数据影响越大。指数平滑法正是考虑了这一点,并将其权值按指数...
  • python构建指数平滑预测模型

    万次阅读 热门讨论 2017-04-14 16:31:29
    不懂的人…看了我的文章…还是不懂哈哈哈指数平滑法相比于移动平均法,它是一种特殊的加权平均方法。简单移动平均法用的是算术平均数,近期数据对预测值的影响比远期数据要大一些,而且越近的数据影响越大。指数平滑...
  • DIFF线 成交量的短期(SHORT)、长期(LONG)指数平滑移动平均线间的差。 DEA线 DIFF线的M日指数平滑移动平均线。 MACD线 DIFF线与DEA线的差,彩色柱状线。 用法: 1.DIFF、DEA均为正,DIFF向上突破DEA,买入信号。 ...
  • 要使用平滑因子计算数据的exponential smoothing(在维基百科中是(1 - alpha)):>>> alpha = 0.5>>> assert 0 < alpha <= 1.0>>> av = sum(alpha**n.days * iq... for n, iq in map...
  • 量化-使用python计算各类移动平均线

    万次阅读 2016-06-29 00:05:18
    2.计算各类移动平均线,包括简单简单算术移动平均线MA、指数平滑移动平均线EMA; 3.将计算好的数据输出到csv文件中。 代码应该复制下来就能运行了,关于从哪里可以得到代码中使用的数据,后面会讲,下面贴上代码...
  • 本文链接:个人站 | 简书 | CSDN版权声明:除特别声明外,本博客文章均采用 BY-NC-SA 许可协议。转载请注明出处。... 指数平滑即指数移动平均(exponential moving average),是以指数式递减加权的移动平均。...
  • Python 计算EMA(指数移动平均线)

    千次阅读 2020-04-15 13:04:13
    python环境下循环相比于递归更快,更适应极端样本情况 递归 def EMA(arr,i=None): N = len(arr) α = 2/(N+1) #平滑指数 i = N-1 if i is None else i if i==0: return arr[i] else: dat...
  • EMAtoday=α * Pricetoday + ( 1 - α ) * EMAyesterday; 其中,α为平滑指数,一般取作2/(N+1)。在计算MACD指标时,EMA计算中的N一般选取12和26天,因此α相应为2/13和2... 此处计算a的移动平均值ema print(ema)
  • 称这些函数为移动窗口函数,尽管它也包含了一些没有固定长度窗口的函数,比如指数加权移动平均。与其他的统计函数类似,这些函数会自动排除缺失数据。在深入了解之前,可以先载入一些时间序列数据并按照工作日频率...
  • 移动平均的一种简单形式是计算某一位置相邻测量值的平均值。例如,在一维测量序列a[1:N]中,a[N]处的移动平均值可以计算为a[N]=(a[N-1]+a[N]+a[N+1])/3。如果你检查了所有的测量,你就完成了。在这个简单的例子中,...
  • 所有移动平均法都存在很多问题。它们都太难计算了。每个点的计算都让你绞尽脑汁。而且也不能通过之前的计算结果推算出加权移动平均值。移动平均值永远不可能应用于现有的数据集边缘的数据,因为它们的窗口宽度是有限...
  • Savitzky-Golay平滑滤波的python实现

    万次阅读 多人点赞 2018-02-09 15:50:17
    对它进行离散化处理后后,S-G 滤波其实是一种移动窗口的加权平均算法,但是其加权系数不是简单的常数窗口,而是通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出。 接下来以二阶多项式情况下的直线滑动平均...
  • 在本文中,您将学习执行时间序列分析的基本步骤以及趋势,平稳性,移动平均等概念。还将探索指数平滑方法,并学习如何拟合ARIMA模型非平稳数据。定义时间序列是按时间排序(或索引)的数据序列。它是离散的,每个点...
  • 1. 移动平均法 from sklearn.metrics import r2_score, mean_absolute_error, median_absolute_error # 滑动窗口估计,发现数据变化趋势 def plotMovingAverage(series, window, plot_intervals=False, scale=...

空空如也

空空如也

1 2 3 4
收藏数 63
精华内容 25
关键字:

python移动平均平滑

python 订阅