如何计算熊猫数据帧中的移动平均线？
在这篇文章中，我们将研究如何计算熊猫数据帧中的移动平均线。移动平均是计算一段时间内数据的平均值。移动平均值也称为滚动平均值，它是通过对 k 个时间段内的时间序列数据进行平均来计算的。
均线有三种类型:
- 简单移动平均线
- 指数移动平均线
- 累积移动平均线
使用的数据链接是 RELIANCE。NS_
简单移动平均线(SMA)
**简单移动平均线告诉我们之前 K 个数据点的未加权平均值。K 值越大，曲线越平滑，但增加 K 会降低精度。如果数据点为 p 1、 p 2 。。。，p n 那么我们计算简单移动平均线。
在 Python 中，我们可以利用计算移动平均线。rolling()方法。这种方法提供了数据的滚动窗口，我们可以使用这些窗口的均值函数来计算移动平均线。窗口的大小作为参数在函数中传递。滚动(窗口)。
现在我们来看一个如何计算 30 天内简单滚动平均值的例子。
第一步:导入库
python 3
# importing Libraries
# importing pandas as pd
import pandas as pd
# importing numpy as np
# for Mathematical calculations
import numpy as np
# importing pyplot from matplotlib as plt
# for plotting graphs
import matplotlib.pyplot as plt
plt.style.use('default')
%matplotlib inline
第二步:导入数据
要导入数据我们将使用熊猫。 read_csv() 功能。
Python 3
# importing time-series data
reliance = pd.read_csv('RELIANCE.NS.csv', index_col='Date',
parse_dates=True)
# Printing dataFrame
reliance.head()
```**
**输出:**
### 第三步:计算简单移动平均线
为了在 Python 中计算形状记忆合金，我们将使用熊猫[**data frame . rolling()**](https://www.geeksforgeeks.org/python-pandas-dataframe-rolling/)函数来帮助我们在滚动窗口上进行计算。在滚动窗口上，我们将使用。mean()函数计算每个窗口的平均值。
> **语法:**数据帧滚动(窗口，最小周期=无，中心=假，win _ type =无，开=无，轴=0)。平均值()
>
> **参数:**
>
> * **窗口**:窗口大小。这就是我们在计算每一个窗口时需要观察的次数。
> * **min_periods** :窗口中需要有值的最少观察次数(否则结果为 n a)。
> * **居中**:用于将标签设置在窗口的中央。
> * **win_type** :用于设置窗口类型。
> * 上的**:我们必须计算滚动平均值的数据帧的 Datetime 列。**
> * **轴**:整数或字符串，默认为 0
## Python 3
```py
# updating our dataFrame to have only
# one column 'Close' as rest all columns
# are of no use for us at the moment
# using .to_frame() to convert pandas series
# into dataframe.
reliance = reliance['Close'].to_frame()
# calculating simple moving average
# using .rolling(window).mean() ,
# with window size = 30
reliance['SMA30'] = reliance['Close'].rolling(30).mean()
# removing all the NULL values using
# dropna() method
reliance.dropna(inplace=true)
# printing Dataframe
reliance
输出:
第四步:绘制简单移动平均线
Python 3
# plotting Close price and simple
# moving average of 30 days using .plot() method
reliance[['Close', 'SMA30']].plot(label='RELIANCE',
figsize=(16, 8))
输出:
累积移动平均线
累计移动平均线是当前值之前所有值的平均值。数据点的 CMA x1，x 2 …..在时间 t 可以计算为，
在计算 CMA 时，我们没有任何固定大小的窗口。窗户的尺寸不断增大，久而久之。在 Python 中，我们可以使用计算 CMA。expanding()方法。现在我们来看一个例子，计算 30 天的 CMA。
步骤 1:导入库
Python 3
# importing Libraries
# importing pandas as pd
import pandas as pd
# importing numpy as np
# for Mathematical calculations
import numpy as np
# importing pyplot from matplotlib as plt
# for plotting graphs
import matplotlib.pyplot as plt
plt.style.use('default')
%matplotlib inline
步骤 2:导入数据
为了导入数据，我们将使用熊猫。read_csv()函数。
Python 3
# importing time-series data
reliance = pd.read_csv('RELIANCE.NS.csv',
index_col='Date',
parse_dates=True)
# Printing dataFrame
reliance.head()
第三步:计算累计移动平均线
为了在 Python 中计算 CMA，我们将使用 dataframe.expanding() 函数。这个方法给出了聚合函数的累积值(在这种情况下是平均值)。
语法:data frame . expanding(min _ periods = 1，center=None，axis=0，method='single ')。平均值()
参数:
- min_periods : int，默认 1 。窗口中需要有值的最少观察次数(否则结果为“无”)。
- 居中 : bool，默认 False。用于设置窗口中心的标签。
- 轴 : int 或 str，默认为 0
- 方法 : str {'single '，' table'}，默认为' single '
Python 3
# updating our dataFrame to have only
# one column 'Close' as rest all columns
# are of no use for us at the moment
# using .to_frame() to convert pandas series
# into dataframe.
reliance = reliance['Close'].to_frame()
# calculating cumulative moving
# average using .expanding().mean()
reliance['CMA30'] = reliance['Close'].expanding().mean()
# printing Dataframe
reliance
输出:
第 4 步:绘制累积移动平均线
Python 3
# plotting Close price and cumulative moving
# average of 30 days using .plot() method
reliance[['Close', 'CMA30']].plot(label='RELIANCE',
figsize=(16, 8))
输出:
指数移动平均线:
指数移动平均线(EMA)告诉我们之前 K 个数据点的加权平均值。均线对最近的数据点赋予了更大的权重和重要性。计算 t 时间段均线的公式为:
其中 x t 是时间 t 的观测值& α是平滑因子。在 Python 中，均线是使用。ewm()方法。我们可以将跨度或窗口作为参数传递给。ewm(span =)方法。
现在我们将看一个计算 30 天均线的例子。
步骤 1:导入库
Python 3
# importing Libraries
# importing pandas as pd
import pandas as pd
# importing numpy as np
# for Mathematical calculations
import numpy as np
# importing pyplot from matplotlib as plt
# for plotting graphs
import matplotlib.pyplot as plt
plt.style.use('default')
%matplotlib inline
步骤 2:导入数据
为了导入数据，我们将使用熊猫。read_csv()函数。
Python 3
# importing time-series data
reliance = pd.read_csv('RELIANCE.NS.csv',
index_col='Date',
parse_dates=True)
# Printing dataFrame
reliance.head()
输出:
第三步:计算指数移动平均线
为了在 Python 中计算均线，我们使用 dataframe.ewm()函数。它为我们提供了指数加权函数。我们将使用。计算均线的 mean()函数。
语法:data frame . ewm(com =无，span =无，半衰期=无，alpha =无，min_periods=0，adjust=True，ignore_na=False，axis=0，times =无)。平均值()
参数:
- com :浮动，可选。这是质量中心的衰减。
- 跨度:浮动，可选。这是跨度的衰减。
- 半衰期:浮点、str、timedelta，可选。这是半衰期的衰减。
- alpha :浮动，可选。它是平滑因子，值介于 0 和 1 之间，包括 0 和 1。
- min_periods : int，默认 0。窗口中需要有值的最少观察次数(否则结果为“无”)。
- 调整 : bool，默认 True。除以期初的衰减调整系数，以说明相对权重的不平衡(将 EWMA 视为移动平均线)
- ignore_na :计算权重时忽略缺失值；指定“真”以重现 0.15.0 之前的行为。
- 轴:要使用的轴。值 0 标识行，1 标识列。
Python 3
# updating our dataFrame to have only
# one column 'Close' as rest all columns
# are of no use for us at the moment
# using .to_frame() to convert pandas
# series into dataframe.
reliance = reliance['Close'].to_frame()
# calculating exponential moving average
# using .ewm(span).mean() , with window size = 30
reliance['EWMA30'] = reliance['Close'].ewm(span=30).mean()
# printing Dataframe
reliance
输出:
第四步:绘制指数移动平均线
Python 3
# plotting Close price and exponential
# moving averages of 30 days
# using .plot() method
reliance[['Close', 'EWMA30']].plot(label='RELIANCE',
figsize=(16, 8))
输出:
版权属于：月萌API www.moonapi.com，转载请注明出处
