<\/p>\n
Uma m\u00e9dia m\u00f3vel<\/strong> \u00e9 uma t\u00e9cnica que pode ser usada para suavizar dados de s\u00e9ries temporais para reduzir o \u201cru\u00eddo\u201d nos dados e identificar mais facilmente padr\u00f5es e tend\u00eancias.<\/span><\/p>\n A ideia por tr\u00e1s de uma m\u00e9dia m\u00f3vel \u00e9 calcular a m\u00e9dia de v\u00e1rios per\u00edodos anteriores para chegar a uma \u201cm\u00e9dia m\u00f3vel\u201d para um determinado per\u00edodo.<\/span><\/p>\n Este tutorial explica como calcular m\u00e9dias m\u00f3veis em Python.<\/span><\/p>\n Suponha que temos a seguinte tabela que mostra o total de vendas de uma determinada empresa em 10 per\u00edodos:<\/span><\/p>\n M\u00e9todo 1: Use a fun\u00e7\u00e3o cumsum().<\/strong><\/span><\/p>\n Uma maneira de calcular a m\u00e9dia m\u00f3vel \u00e9 usar a fun\u00e7\u00e3o cumsum():<\/span><\/p>\n Veja como interpretar o resultado:<\/span><\/p>\n E assim por diante.<\/span><\/p>\n M\u00e9todo 2: Use pandas.<\/strong><\/span><\/p>\n Outra forma de calcular a m\u00e9dia m\u00f3vel \u00e9 escrever uma fun\u00e7\u00e3o baseada em pandas:<\/span><\/p>\n Este m\u00e9todo produz exatamente os mesmos resultados do m\u00e9todo anterior, mas tende a ser executado mais rapidamente em arrays maiores.<\/span><\/p>\n Observe que voc\u00ea tamb\u00e9m pode especificar qualquer n\u00famero de per\u00edodos anteriores para usar no c\u00e1lculo da m\u00e9dia m\u00f3vel. Por exemplo, voc\u00ea pode preferir usar n=5:<\/span><\/p>\n Quanto mais per\u00edodos voc\u00ea usar para calcular a m\u00e9dia m\u00f3vel, mais \u201csuavizada\u201d ser\u00e1 a linha da m\u00e9dia m\u00f3vel.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Uma m\u00e9dia m\u00f3vel \u00e9 uma t\u00e9cnica que pode ser usada para suavizar dados de s\u00e9ries temporais para reduzir o \u201cru\u00eddo\u201d nos dados e identificar mais facilmente padr\u00f5es e tend\u00eancias. A ideia por tr\u00e1s de uma m\u00e9dia m\u00f3vel \u00e9 calcular a m\u00e9dia de v\u00e1rios per\u00edodos anteriores para chegar a uma \u201cm\u00e9dia m\u00f3vel\u201d para um determinado per\u00edodo. […]<\/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-858","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: m\u00e9dias m\u00f3veis em 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