วิธีการคำนวณค่าเฉลี่ยเคลื่อนที่ในหมีแพนด้า

ค่าเฉลี่ยเคลื่อนที่ เป็นเพียงค่าเฉลี่ยของช่วงก่อนหน้าจำนวนหนึ่งในอนุกรมเวลา

ในการคำนวณค่าเฉลี่ยการหมุนของหนึ่งคอลัมน์ขึ้นไปใน DataFrame ของ pandas เราสามารถใช้ไวยากรณ์ต่อไปนี้:

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

บทช่วยสอนนี้มีตัวอย่างการใช้งานฟังก์ชันนี้ในทางปฏิบัติหลายตัวอย่าง

ตัวอย่าง: การคำนวณค่าเฉลี่ยเคลื่อนที่ในหน่วยหมีแพนด้า

สมมติว่าเรามี DataFrame แพนด้าดังต่อไปนี้:

 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

เราสามารถใช้ไวยากรณ์ต่อไปนี้เพื่อสร้างคอลัมน์ใหม่ที่มีค่าเฉลี่ยเคลื่อนที่ของ “ยอดขาย” สำหรับ 5 งวดก่อนหน้า:

 #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

เราสามารถตรวจสอบได้ด้วยตนเองว่ายอดขายเฉลี่ยต่อเนื่องที่แสดงสำหรับช่วงระยะเวลา 5 เป็นค่าเฉลี่ยของ 5 ช่วงก่อนหน้า:

ค่าเฉลี่ยเคลื่อนที่ในช่วงที่ 5: (61.417+64.900+66.698+64.927+73.720)/5 = 66.33

เราสามารถใช้ไวยากรณ์ที่คล้ายกันในการคำนวณค่าเฉลี่ยเคลื่อนที่ของหลายคอลัมน์:

 #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

นอกจากนี้เรายังสามารถสร้างการลงจุดแบบด่วนโดยใช้ Matplotlib เพื่อเห็นภาพยอดขายรวมเทียบกับค่าเฉลี่ยยอดขายที่เคลื่อนไหวได้:

 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 ()

เส้นสีน้ำเงินแสดงยอดขายเฉลี่ยเคลื่อนที่ในช่วง 5 ช่วง และเส้นสีส้มแสดงข้อมูลการขายดิบ

แหล่งข้อมูลเพิ่มเติม

บทช่วยสอนต่อไปนี้จะอธิบายวิธีการทำงานทั่วไปอื่นๆ ในแพนด้า:

วิธีการคำนวณความสัมพันธ์แบบเลื่อนในแพนด้า
วิธีการคำนวณค่าเฉลี่ยของคอลัมน์ใน Pandas