Una media mobile esponenziale<\/strong> \u00e8 un tipo di media mobile che attribuisce maggiore peso alle osservazioni recenti, il che significa che \u00e8 in grado di catturare le tendenze recenti pi\u00f9 rapidamente.<\/span><\/p>\n Questo tutorial spiega come calcolare una media mobile esponenziale per una colonna di valori in un DataFrame panda.<\/span><\/p>\n Supponiamo di avere i seguenti panda DataFrame:<\/span><\/p>\n Possiamo utilizzare la funzione pandas.DataFrame.ewm()<\/a> per calcolare la media mobile esponenzialmente ponderata per un numero di periodi precedenti.<\/span><\/p>\n Ad esempio, ecco come calcolare la media mobile ponderata in modo esponenziale utilizzando i quattro periodi precedenti:<\/span><\/p>\n Possiamo anche utilizzare la libreria matplotlib per visualizzare le vendite relative alla media mobile esponenziale ponderata di 4 giorni:<\/span> <\/p>\n Come calcolare le medie mobili in Python<\/a> Nell’analisi delle serie temporali, una media mobile \u00e8 semplicemente il valore medio di un numero di periodi precedenti. Una media mobile esponenziale \u00e8 un tipo di media mobile che attribuisce maggiore peso alle osservazioni recenti, il che significa che \u00e8 in grado di catturare le tendenze recenti pi\u00f9 rapidamente. Questo tutorial spiega come calcolare una […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Esempio: media mobile esponenziale nei panda<\/strong><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd.DataFrame({'period': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],\n 'sales': [25, 20, 14, 16, 27, 20, 12, 15, 14, 19]})\n\n#view DataFrame<\/span> \ndf\n\n period sales\n0 1 25\n1 2 20\n2 3 14\n3 4 16\n4 5 27\n5 6 20\n6 7 12\n7 8 15\n8 9 14\n9 10 19\n<\/strong><\/pre>\n #create new column to hold 4-day exponentially weighted moving average<\/span>\ndf['4dayEWM'] = df['sales']. ewm<\/span> (span= 4<\/span> , adjust= False<\/span> ). mean<\/span> ()\n\n#view DataFrame<\/span> \ndf\n\n period sales 4dayEWM\n0 1 25 25.000000\n1 2 20 23.000000\n2 3 14 19.400000\n3 4 16 18.040000\n4 5 27 21.624000\n5 6 20 20.974400\n6 7 12 17.384640\n7 8 15 16.430784\n8 9 14 15.458470\n9 10 19 16.875082<\/strong><\/pre>\n import<\/span> matplotlib.pyplot as<\/span> plt\n\n#plot sales and 4-day exponentially weighted moving average<\/span>\nplt. plot<\/span> (df['sales'], label='Sales')\nplt. plot<\/span> (df['4dayEWM'], label='4-day EWM')\n\n#add legend to plot<\/span>\nplt. legend<\/span> (loc=2)\n<\/strong><\/pre>\n![\"Media](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ewmpandas1.png\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come calcolare la media delle colonne in Pandas<\/a>
Come calcolare l’autocorrelazione in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"