<\/p>\n
Een voortschrijdend gemiddelde<\/strong> is een techniek die kan worden gebruikt om tijdreeksgegevens glad te strijken om „ruis“ in de gegevens te verminderen en gemakkelijker patronen en trends te identificeren.<\/span><\/p>\n Het idee achter een voortschrijdend gemiddelde is om het gemiddelde van een aantal voorgaande perioden te nemen om zo tot een \u2018voortschrijdend gemiddelde\u2019 voor een bepaalde periode te komen.<\/span><\/p>\n In deze tutorial wordt uitgelegd hoe u voortschrijdende gemiddelden in Python kunt berekenen.<\/span><\/p>\n Stel dat we de volgende tabel hebben die de totale omzet van een bepaald bedrijf over 10 perioden weergeeft:<\/span><\/p>\n Methode 1: Gebruik de cumsum()-functie.<\/strong><\/span><\/p>\n E\u00e9n manier om het voortschrijdend gemiddelde te berekenen is door de functie cumsum() te gebruiken:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n Enzovoort.<\/span><\/p>\n Methode 2: Gebruik panda’s.<\/strong><\/span><\/p>\n Een andere manier om het voortschrijdend gemiddelde te berekenen is door een panda-gebaseerde functie te schrijven:<\/span><\/p>\n Deze methode levert exact dezelfde resultaten op als de vorige methode, maar werkt doorgaans sneller op grotere arrays.<\/span><\/p>\n Houd er rekening mee dat u ook een willekeurig aantal voorgaande perioden kunt opgeven om te gebruiken bij de berekening van het voortschrijdend gemiddelde. U kunt er bijvoorbeeld de voorkeur aan geven n=5 te gebruiken:<\/span><\/p>\n Hoe meer perioden u gebruikt om het voortschrijdend gemiddelde te berekenen, hoe vloeiender de lijn van het voortschrijdend gemiddelde zal zijn.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Een voortschrijdend gemiddelde is een techniek die kan worden gebruikt om tijdreeksgegevens glad te strijken om „ruis“ in de gegevens te verminderen en gemakkelijker patronen en trends te identificeren. Het idee achter een voortschrijdend gemiddelde is om het gemiddelde van een aantal voorgaande perioden te nemen om zo tot een \u2018voortschrijdend gemiddelde\u2019 voor een bepaalde […]<\/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":[],"class_list":["post-859","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: voortschrijdende gemiddelden in Python<\/strong><\/span><\/h3>\n
x = [50, 55, 36, 49, 84, 75, 101, 86, 80, 104]\n<\/strong><\/pre>\n
import<\/span> numpy as<\/span> np\n\n#define moving average function<\/span>\ndef<\/span> moving_avg(x, n):\n cumsum = np.cumsum(np.insert(x, 0, 0)) \n return<\/span> (cumsum[n:] - cumsum[:-n]) \/ float(n)\n\n#calculate moving average using previous 3 time periods\n<\/span>n = 3\nmoving_avg(x, n):\n\narray([47, 46.67, 56.33, 69.33, 86.67, 87.33, 89, 90])\n<\/strong><\/pre>\n\n
import<\/span> pandas as<\/span> pd\n\n#define array to use and number of previous periods to use in calculation<\/span>\nx = [50, 55, 36, 49, 84, 75, 101, 86, 80, 104]\nn=3\n\n#calculate moving average<\/span>\npd.Series(x).rolling(window=n).mean().iloc[n-1:].values\n\narray([47, 46.67, 56.33, 69.33, 86.67, 87.33, 89, 90])\n<\/strong><\/pre>\n #use 5 previous periods to calculate moving average<\/span>\nn=5\n\n#calculate moving average<\/span>\npd.Series(x).rolling(window=n).mean().iloc[n-1:].values\n\narray([54.8, 59.8, 69., 79., 85.2, 89.2])<\/strong><\/pre>\n