Hmmm, det virker som dette quoteasy å implementquot-funksjonen er faktisk ganske enkelt å bli feil og har fremmet en god diskusjon om minneeffektivitet. Jeg er glad for å ha oppblåst hvis det betyr å vite at noe har blitt gjort riktig. ndash Richard Sep 20 14 kl 19:23 NumPys mangel på en bestemt domenespesifikk funksjon er kanskje på grunn av Core Teams disiplin og troskap til NumPys hoveddirektiv: gi en N-dimensjonal array type. samt funksjoner for å opprette og indeksere disse arrays. Som mange grunnleggende mål er denne ikke liten, og NumPy gjør det glimrende. Den (mye) større SciPy inneholder en mye større samling av domenespesifikke biblioteker (kalt delpakker med SciPy devs) - for eksempel numerisk optimalisering (optimalisering), signalprosessering (signal) og integralkalkulator (integrere). Min gjetning er at funksjonen du er ute etter, er i minst en av SciPy-subpackages (scipy. signal kanskje), men jeg vil se først ut i samlingen av SciPy scikits. identifiser relevante scikit (er) og se etter interessens funksjon der. Scikits er selvstendig utviklede pakker basert på NumPySciPy og rettet mot en bestemt teknisk disiplin (f. Eks. Scikits-image. Scikits-learn etc.) Flere av disse var (spesielt den fantastiske OpenOpt for numerisk optimalisering) høyt ansett, modne prosjekter lange før du velger å bo under de relativt nye scikits rubric. Scikits hjemmeside likte å overliste omtrent 30 slike scikits. selv om minst flere av dem ikke lenger er under aktiv utvikling. Etter dette rådene vil du lede til scikits-timeseries, men denne pakken er ikke lenger under aktiv utvikling. Pandas er faktisk blitt AFAIK, de facto NumPy-baserte tidsseriebiblioteket. Pandas har flere funksjoner som kan brukes til å beregne et glidende gjennomsnitt. Det enkleste av disse er trolig rullende. som du bruker slik: Nå bare ring funksjonen rullende mens passerer i Serie objektet og en vindu størrelse. som i mitt eksempel nedenfor er 10 dager. bekreft at det virket - f. eks. sammenlignet verdier 10-15 i den opprinnelige serien versus den nye serien jevnet med rullende middel Funksjonen rullende mean sammen med omtrent et dusin eller annen funksjon er informelt gruppert i Pandas dokumentasjon under rubrikk flyttingsvinduet fungerer en andre relatert gruppe funksjoner i Pandas refereres til som eksponentielt vektede funksjoner (f. eks. ewma. som beregner eksponentielt flytende vektet gjennomsnitt). Det faktum at denne andre gruppen ikke er inkludert i de første (flyttbare vindufunksjonene), er kanskje fordi de eksponentielt vektede transformasjonene ikke stole på et fastlengtingsvindu. Følgende eksempler gir et bevegelige gjennomsnitt av de foregående WINDOW-verdiene. Vi truncate de første (WINDOW -1) verdiene siden vi kan finne gjennomsnittet før dem. (Standard oppførsel for konvolusjon er å anta at verdiene før starten av vår sekvens er 0). (Mer formelt konstruerer vi sekvensen y for sekvensen x hvor yi (xi x (i1) 8230. x (in)) n) Dette gjør bruk av numpy8217s convolution-funksjon. Dette er en generell bruk av glidende gjennomsnittlig operasjon. Endring av vektinger gjør noen verdier mer viktige motsetning på riktig måte, slik at du kan se gjennomsnitt som rundt punkt i stedet for før punkt. I stedet for avkortede verdier kan vi fikse de opprinnelige verdiene på plass, som illustrert i dette eksemplet: Vi har tidligere introdusert hvordan man lager glidende gjennomsnitt ved hjelp av python. Denne opplæringen vil være en videreføring av dette emnet. Et glidende gjennomsnitt i sammenheng med statistikk, også kalt et rullende gjennomsnittsnivå, er en type finite impulsrespons. I vår tidligere opplæring har vi plottet verdiene til arrays x og y: Let8217s plot x mot det bevegelige gjennomsnittet av y som vi skal ringe yMA: For det første, let8217s equalize lengden på begge arrays: Og for å vise dette i sammenheng: Den resulterende graf: For å forstå dette, let8217s plotte to forskjellige relasjoner: x vs y og x vs MAy: Det bevegelige gjennomsnittet her er det grønne plottet som starter på 3: Del dette: Som dette: Postnavigasjon Legg igjen et svar Avbryt svar Veldig nyttig I vil gjerne lese den siste delen på store datasett Håper det kommer snart8230 d bloggere som dette:
No comments:
Post a Comment