Numpy Falta Exponentiell Glidande Medelvärde

Hmmm det verkar vara lätt att implementera funktionen är faktiskt ganska lätt att få fel och har främjat en bra diskussion om minneseffektivitet. Jag m glad att ha uppblåst om det innebär att veta att någonting har gjorts rätt Richard Sep 20 14 på 19 23.NumPy S brist på en viss domänspecifik funktion är kanske på grund av Core Teams disciplin och trovärdigheten för NumPys s primära direktiv ger en N-dimensional array-typ samt funktioner för att skapa och indexera dessa arrays Precis som många grundläggande mål, Är inte liten, och NumPy gör det briljant. Den mycket större SciPy innehåller en mycket större samling domänspecifika bibliotek som heter subpackages av SciPy devs - till exempel numerisk optimering optimera, signal processsing signal och integral calculus integrera. Min gissning är Att den funktion du är ute efter är i minst en av SciPy-underpackningarna kanske, men jag skulle se först i samlingen av SciPy-scikits identifiera relevanta scikit s och leta efter Funktionen av intresse there. Scikits är självständigt utvecklade paket baserat på NumPy SciPy och riktad till en viss teknisk disciplin, t. ex. scikits-image scikits-learn osv. Flera av dessa var i synnerhet den fantastiska OpenOpt för numerisk optimering var högt ansedda, mogna projekt länge Innan du väljer att bo under den relativt nya scikits rubriken The Scikits hemsida gillade att ovan listas omkring 30 sådana scikits men åtminstone flera av dessa är inte längre under aktiv utveckling. Efter detta råd skulle du leda till scikits-timeseries men det paketet är nej Längre under aktiv utveckling I själva verket har Pandas blivit AFAIK, de facto NumPy-baserade tidsseriensbiblioteket. Pandas har flera funktioner som kan användas för att beräkna ett rörligt medelvärde. Det enklaste av dessa är förmodligen rollingmean som du använder så. Nu , Ring bara funktionen rollingmean som passerar i Serieobjektet och en fönsterstorlek som i mitt exempel nedan är 10 dagar. Verifiera att det w Orked - till exempel jämförda värden 10-15 i den ursprungliga serien mot den nya serien slätad med rullande medel. Funktionsvalsen, tillsammans med ungefär ett dussintals annan funktion, grupperas informellt i Pandas dokumentation under rubriken rörelsefönster fungerar en sekund Relaterad grupp av funktioner i Pandas kallas exponentiellt viktade funktioner, t. ex. ewma som beräknar exponentiellt rörligt vägt genomsnitt. Att den andra gruppen inte ingår i de första rörliga fönstervfunktionerna är kanske att de exponentiellt viktade transformationerna inte är beroende av En fast längd window. answered jan 14 13 på 6 38.tekniska indikatorer 0 0 16.Denna modulen ger några tekniska indikatorer för att analysera lager. Denna modul ger några tekniska indikatorer för att analysera lager. När jag kan kan jag lägga till mer. Om någon vill Att bidra med nya kod eller korrigeringsförslag, känna sig fri. Relativ styrka Index RSI, ROC, MA kuvert Enkelt rörligt medelvärde SMA, vägd Movi Ng genomsnittlig WMA, exponentiell rörlig genomsnittlig EMA Bollinger band BB, Bollinger bandbredd, B. Det kräver numpy. Denna modulen har gjorts och testats under Windows med Python 2 7 3 och numpy 1 6 1.Jag vet att det här är en gammal fråga, men här Är en lösning som inte använder några extra datastrukturer eller bibliotek Det är linjärt i antalet element i ingångslistan och jag kan inte tänka på något annat sätt att göra det effektivare faktiskt om någon vet om ett bättre sätt att fördela resultatet , Snälla låt mig veta. NOTE det här skulle vara mycket snabbare med ett numpy array istället för en lista, men jag ville eliminera alla beroenden. Det skulle också vara möjligt att förbättra prestanda genom multi-threaded execution. Funktionen förutsätter att ingångslistan är En måttlig, så var försiktig. Du kan beräkna ett löpande medelvärde med. Lyckligtvis innehåller numpy en convolve-funktion som vi kan använda för att påskynda upp saker. Den löpande medelvärdet motsvarar att samla x med en vektor som är N lång, med alla medlemmar lika Till 1 N Th Ett numpigt genomförande av convolve inkluderar startövergången, så du måste ta bort de första N-1 poängen. På min maskin är den snabba versionen 20-30 gånger snabbare beroende på längden på ingångsvektorn och storleken på medelfönstret . Notera att convolve inkluderar ett samma läge som verkar som att det borde ta itu med det starta transientproblemet, men det delar upp det mellan början och slutet. Det tar bort övergången från slutet, och början har inte en. Tja, jag antar det Det är en fråga om prioriteringar, jag behöver inte samma antal resultat på bekostnad av att få en sluttning mot noll som inte finns där i data BTW, här är ett kommando för att visa skillnaden mellan lägena lägena fulla, samma, giltiga tomt Convolve ones 200,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, För detta än NumPy eller SciPy Dess funktion rollingmean gör jobbet bekvämt Det returnerar också en NumPy-array när ingången är en array. Det är svårt att slå rollingmean i prestanda med någon anpassad ren Python-implementering. Här är ett exempel prestanda mot två av de föreslagna lösningarna. Det finns också fina alternativ om hur man ska hantera Kanten värden. Jag är alltid irriterad av signalbehandlingsfunktionen som returnerar utsignaler av annan form än ingångssignalerna när både ingångar och utgångar är av samma natur, t. ex. båda temporala signaler. Det bryter korrespondensen med relaterad oberoende variabel, t. ex. tid, frekvenstillverkning Plotting eller jämförelse inte en direkt fråga ändå, om du delar känslan, kanske du vill ändra de sista raderna i den föreslagna funktionen som samma återkomst y windowlen-1 - windowlen-1 Christian O Reilly aug 25 15 vid 19 56. En bit Sent till festen, men jag har gjort min egen lilla funktion som inte sitter runt ändarna eller dynorna med nollor som sedan används för att hitta medeltalet. Som en ytterligare behandling är det också - provera signalen vid linjärt åtskilda punkter Anpassa koden på viljan för att få andra funktioner. Metoden är en enkel matrismultiplicering med en normaliserad Gaussisk kärna. En enkel användning på en sinusformad signal med tillsatt normalt distribuerat brus. Denna fråga är nu ännu äldre Än när NeXuS skrev om det förra månaden, men jag tycker om hur hans kod handlar om kantfall. Men eftersom det är ett enkelt glidande medelvärde, sitter resultaten efter de data de tillämpar på. Jag trodde att det handlar om kantfall i en mer tillfredsställande Sätt än NumPy s-lägena som är lika och fullständiga kan uppnås genom att tillämpa ett liknande tillvägagångssätt för en konvolutionbaserad metod. Mitt bidrag använder ett centralt löpande medelvärde för att anpassa sina resultat med deras data. När det finns två få punkter tillgängliga för fönster i full storlek Som används, körs medelvärden beräknas från successivt mindre fönster vid kanterna av arrayen Egentligen från successivt större fönster, men det är en implementeringsdetalj. Det är relativt långsamt b Eftersom det använder convolve och sannolikt kan spruced upp ganska mycket av en sann Pythonista men jag tror att tanken står. Svarade den 2 januari på 0 28. Det är trevligt men långsamt när fönstervidden blir stor Vissa svar ger mer effektiva algoritmer Med men verkar inte kunna hantera kanten värden jag själv har implementerat en algoritm som kan hantera detta problem bra om det här problemet förklaras. Input parameter mergenum kan anses som 2 windowwidth 1. Jag vet att den här koden är lite oläslig om du Hitta det bra och vill ha några expanations, snälla låt mig veta och jag ska uppdatera detta svar Eftersom skrivning en förklaring kan kosta mig mycket tid hoppas jag bara gör det när någon behöver det. Vänligen förlåt mig för min latskap. Om du bara är du Intresserad av sin ursprungliga version. Det är ännu mer oläsligt, den första lösningen blir av med kantproblemet genom att padda nollor runt matrisen, men den andra lösningen som skickas här hanterar den på ett tufft och direkt sätt. I min sista mening försökte jag angeVarför det hjälper floating point-felet Om två värden är ungefär samma storleksordning, då lägger till dem förlorar mindre precision än om du lägger till ett mycket stort tal till en mycket liten. Koden kombinerar intilliggande värden så att även mellanliggande belopp alltid ska Vara ganska nära i storleksordningen för att minimera floating point-felet. Inget är dumt bevis, men den här metoden har sparat ett par väldigt dåligt genomförda projekt i produktionen. Mayur Patel Dec 15 14 på 17 22. Alleo I stället för att göra en tillägg per värde kommer du att vara Gör två Beviset är detsamma som det bit-flipping-problemet Men punkten i detta svar är inte nödvändigtvis prestanda, men precision Minnesanvändningen för genomsnittliga 64-bitars värden skulle inte överstiga 64 element i cacheminnet, så det är vänligt i minnet Användning också Mayur Patel dec 29 14 på 17 04.