Jak obliczyć średnią ruchomą w pandach

Średnia ruchoma to po prostu średnia liczby poprzednich okresów w szeregu czasowym.

Aby obliczyć średnią kroczącą jednej lub większej liczby kolumn w ramce DataFrame pand, możemy zastosować następującą składnię:

 df[' column_name ']. rolling ( rolling_window ). mean ()

W tym samouczku przedstawiono kilka przykładów praktycznego wykorzystania tej funkcji.

Przykład: obliczanie średniej ruchomej w pandach

Załóżmy, że mamy następującą ramkę DataFrame pand:

 import numpy as np
import pandas as pd

#make this example reproducible
n.p. random . seeds (0)

#create dataset
period = np. arange (1, 101, 1)
leads = np. random . uniform (1, 20, 100)
sales = 60 + 2*period + np. random . normal (loc=0, scale=.5*period, size=100)
df = pd. DataFrame ({' period ': period, ' leads ': leads, ' sales ': sales})

#view first 10 rows
df. head (10)

   period leads sales
0 1 11.427457 61.417425
1 2 14.588598 64.900826
2 3 12.452504 66.698494
3 4 11.352780 64.927513
4 5 9.049441 73.720630
5 6 13.271988 77.687668
6 7 9.314157 78.125728
7 8 17.943687 75.280301
8 9 19.309592 73.181613
9 10 8.285389 85.272259

Możemy użyć następującej składni, aby utworzyć nową kolumnę zawierającą średnią ruchomą „sprzedaży” z poprzednich 5 okresów:

 #find rolling mean of previous 5 sales periods
df[' rolling_sales_5 '] = df[' sales ']. rolling (5). mean ()

#view first 10 rows
df. head (10)

	period leads sales rolling_sales_5
0 1 11.427457 61.417425 NaN
1 2 14.588598 64.900826 NaN
2 3 12.452504 66.698494 NaN
3 4 11.352780 64.927513 NaN
4 5 9.049441 73.720630 66.332978
5 6 13.271988 77.687668 69.587026
6 7 9.314157 78.125728 72.232007
7 8 17.943687 75.280301 73.948368
8 9 19.309592 73.181613 75.599188
9 10 8.285389 85.272259 77.909514

Możemy ręcznie sprawdzić, czy krocząca średnia sprzedaży wyświetlana dla okresu 5 jest średnią z poprzednich 5 okresów:

Średnia krocząca w okresie 5: (61,417+64,900+66,698+64,927+73,720)/5 = 66,33

Możemy użyć podobnej składni do obliczenia średniej ruchomej wielu kolumn:

 #find rolling mean of previous 5 leads periods 
df[' rolling_leads_5 '] = df[' leads ']. rolling (5). mean ()

#find rolling mean of previous 5 leads periods
df[' rolling_sales_5 '] = df[' sales ']. rolling (5). mean ()

#view first 10 rows
df. head (10)

	period leads sales rolling_sales_5 rolling_leads_5
0 1 11.427457 61.417425 NaN NaN
1 2 14.588598 64.900826 NaN NaN
2 3 12.452504 66.698494 NaN NaN
3 4 11.352780 64.927513 NaN NaN
4 5 9.049441 73.720630 66.332978 11.774156
5 6 13.271988 77.687668 69.587026 12.143062
6 7 9.314157 78.125728 72.232007 11.088174
7 8 17.943687 75.280301 73.948368 12.186411
8 9 19.309592 73.181613 75.599188 13.777773
9 10 8.285389 85.272259 77.909514 13.624963

Możemy również utworzyć szybki wykres liniowy za pomocą Matplotlib do wizualizacji sprzedaży brutto w porównaniu ze średnią ruchomą sprzedaży:

 import matplotlib. pyplot as plt
plt. plot (df[' rolling_sales_5 '], label=' Rolling Mean ')
plt. plot (df[' sales '], label=' Raw Data ')
plt. legend ()
plt. ylabel (' Sales ')
plt. xlabel (' Period ')
plt. show ()

Niebieska linia pokazuje 5-okresową średnią ruchomą sprzedaży, a pomarańczowa linia pokazuje surowe dane dotyczące sprzedaży.

Dodatkowe zasoby

Poniższe samouczki wyjaśniają, jak wykonywać inne typowe zadania w pandach:

Jak obliczyć korelację przesuwną w pandach
Jak obliczyć średnią kolumn w Pandach