Скользящее среднее — это просто среднее значение определенного количества предыдущих периодов временного ряда.
Чтобы вычислить скользящее среднее значение для одного или нескольких столбцов в кадре данных pandas, мы можем использовать следующий синтаксис:
df['column_name']. rolling ( rolling_window ).mean()
В этом руководстве представлено несколько примеров использования этой функции на практике.
Пример: вычислить скользящее среднее в Pandas
Предположим, у нас есть следующие Pandas DataFrame:
import numpy as np
import pandas as pd
#make this example reproducible
np.random.seed (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
Мы можем использовать следующий синтаксис для создания нового столбца, содержащего скользящее среднее «продаж» за предыдущие 5 периодов:
#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
Мы можем вручную проверить, что скользящее среднее значение продаж, отображаемое для периода 5, является средним значением предыдущих 5 периодов:
Скользящее среднее в период 5: (61,417+64,900+66,698+64,927+73,720)/5 = 66,33
Мы можем использовать аналогичный синтаксис для вычисления скользящего среднего значения нескольких столбцов:
#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
Мы также можем создать быстрый линейный график, используя Matplotlib, чтобы визуализировать необработанные продажи по сравнению со скользящим средним значением продаж:
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()
Синяя линия отображает скользящее среднее продаж за 5 периодов, а оранжевая линия отображает необработанные данные о продажах.
Дополнительные ресурсы
В следующих руководствах объясняется, как выполнять другие распространенные задачи в pandas:
Как рассчитать скользящую корреляцию в Pandas
Как рассчитать среднее значение столбцов в Pandas