Znaleźć średnią kroczącą z punktów danych w Pythonie

Question

Znowu gram w Pythonie i znalazłem zgrabną książkę z przykładami. Jednym z przykładów jest wykreślenie niektórych danych. Mam plik .txt z dwiema kolumnami i mam dane. I wykreślić dane w porządku, ale w wykonywaniu mówi: Modyfikacja programu dodatkowo obliczyć i wykreślić z systemem średnio danych, określonych przez:

$Y_k=\frac{1}{2r}\sum_{m=-r}^r y_{k+m}$ 

gdzie r=5 w tym przypadku (i y_k jest druga kolumna w pliku danych). Niech program wypisze zarówno oryginalne dane, jak i średnią bieżącą na tym samym wykresie.

Do tej pory mam to:

from pylab import plot, ylim, xlim, show, xlabel, ylabel 
from numpy import linspace, loadtxt 

data = loadtxt("sunspots.txt", float) 
r=5.0 

x = data[:,0] 
y = data[:,1] 

plot(x,y) 
xlim(0,1000) 
xlabel("Months since Jan 1749.") 
ylabel("No. of Sun spots") 
show() 

Więc jak mam obliczyć sumę? W Mathematica jest to proste, ponieważ jest to symboliczna manipulacja (na przykład Sum [i, {i, 0, 10}), ale jak obliczyć sumę w pythonie, która pobiera co dziesięć punktów w danych i uśrednia ją, i robi to do końca punktów?

spojrzałem na książki, ale nic nie znalazł, który by to wyjaśnić: \

---

heltonbiker kodzie wystarczyły ^^: D

from __future__ import division 
from pylab import plot, ylim, xlim, show, xlabel, ylabel, grid 
from numpy import linspace, loadtxt, ones, convolve 
import numpy as numpy 

data = loadtxt("sunspots.txt", float) 

def movingaverage(interval, window_size): 
    window= numpy.ones(int(window_size))/float(window_size) 
    return numpy.convolve(interval, window, 'same') 

x = data[:,0] 
y = data[:,1] 


plot(x,y,"k.") 
y_av = movingaverage(y, 10) 
plot(x, y_av,"r") 
xlim(0,1000) 
xlabel("Months since Jan 1749.") 
ylabel("No. of Sun spots") 
grid(True) 
show() 

I mam to:

Dziękuję bardzo ^^ :)

Answer 1

Before reading this answer, bear in mind that there is another answer below, from Roman Kh, which uses numpy.cumsum and is MUCH MUCH FASTER than this one.

---

Najlepszy Jednym z popularnych sposobów jest zastosowanie ruchomych/średniej ruchomej (albo jakiejkolwiek innej funkcji przesuwne okno) w sygnał jest za pomocą numpy.convolve().

def movingaverage(interval, window_size): 
    window = numpy.ones(int(window_size))/float(window_size) 
    return numpy.convolve(interval, window, 'same') 

Tutaj przerwa to tablica x i window_size jest liczba próbek do rozważenia. Okno będzie wyśrodkowane na każdej próbce, więc pobiera próbki przed i po bieżącej próbce, aby obliczyć średnią. Twój kod stanie się:

plot(x,y) 
xlim(0,1000) 

x_av = movingaverage(interval, r) 
plot(x_av, y) 

xlabel("Months since Jan 1749.") 
ylabel("No. of Sun spots") 
show() 

Mam nadzieję, że to pomoże!

Answer 2

myślę coś takiego:

aves = [sum(data[i:i+6]) for i in range(0, len(data), 5)] 

Ale zawsze trzeba dokładnie sprawdzić indeksy robią to, czego oczekuję. Zakres chcesz to (0, 5, 10, ...) i dane [0: 6] daje danych [0] ... danych [5]

ETA: oops, a raczej chcesz ave niż suma, oczywiście. Więc faktycznie przy użyciu kodu i wzór:

r = 5 
x = data[:,0] 
y1 = data[:,1] 
y2 = [ave(y1[i-r:i+r]) for i in range(r, len(y1), 2*r)] 
y = [y1, y2] 

Answer 3

ravgs = [sum(data[i:i+5])/5. for i in range(len(data)-4)] 

To nie jest najbardziej efektywnym podejściem, ale to daje odpowiedź i jestem niejasne, czy okno jest 5 punktów lub 10. Jeśli jej 10 wymienić każdy 5 z 10 i 4 z 9

Answer 4

Średnia ruchoma to splot, a numpy będzie szybszy niż większość czystych operacji Pythona. Da ci to 10-punktową średnią ruchomą.

import numpy as np 
smoothed = np.convolve(data, np.ones(10)/10) 

Chciałbym również silnie sugerować przy użyciu pakietu pandy wielkie, jeśli pracujesz z danymi timeseries. Jest kilka fajnych moving average operations built in.

Answer 5

Wystąpił problem z zaakceptowaną odpowiedzią. Myślę, że musimy użyć "prawidłowego" zamiast "tego samego" tutaj - return numpy.convolve(interval, window, 'same').

jako przykład wypróbować IZ tym zbiór danych = [1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6] - wynik powinien być [4.2,5.4,6.0,5.0,5.0,5.2,5.4,4.4,5.4,5.6,5.6,4.6,7.0,6.8], ale o „same” daje nam nieprawidłowe wyjście [2.6,3.0,4.2,5.4,6.0,5.0,5.0,5.2,5.4,4.4,5.4,5.6,5.6, 4.6,7.0,6.8,6.2,4.8]

kodu Rusty aby to wypróbować -:

result=[] 
dataset=[1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6] 
window_size=5 
for index in xrange(len(dataset)): 
    if index <=len(dataset)-window_size : 
     tmp=(dataset[index]+ dataset[index+1]+ dataset[index+2]+ dataset[index+3]+ dataset[index+4])/5.0 
     result.append(tmp) 
    else: 
     pass 

result==movingaverage(y, window_size) 

Wypróbuj to z ważnym & sam i sprawdź, czy matematyka ma sens.

Patrz też -: http://sentdex.com/sentiment-analysisbig-data-and-python-tutorials-algorithmic-trading/how-to-chart-stocks-and-forex-doing-your-own-financial-charting/calculate-simple-moving-average-sma-python/

Answer 6

Jak numpy.convolve jest dość powolny, którzy potrzebują szybkiego wykonywania rozwiązanie wolą łatwiejsze do zrozumienia cumSum podejście. Oto kod:

cumsum_vec = numpy.cumsum(numpy.insert(data, 0, 0)) 
ma_vec = (cumsum_vec[window_width:] - cumsum_vec[:-window_width])/window_width 

gdzie dane zawiera dane, a ma_vec będzie zawierać ruchome średnie window_width długości.

Średnio, cumsum jest około 30-40 razy szybszy niż convolve.

Answer 7

Moja średnia ruchoma funkcji, bez numpy funkcji:

from __future__ import division # must be on first line of script 

class Solution: 
    def Moving_Avg(self,A): 
     m = A[0] 
     B = [] 
     B.append(m) 
     for i in range(1,len(A)): 
      m = (m * i + A[i])/(i+1) 
      B.append(m) 
     return B