Python calcular média móvel exponencial

Eu tenho um intervalo de datas e uma medida em cada uma dessas datas. Eu gostaria de calcular uma média móvel exponencial para cada uma das datas. Alguém sabe como fazer isso Im novo para python. Não parece que as médias são construídas na biblioteca padrão do python, o que me parece um pouco estranho. Talvez eu não esteja procurando no lugar certo. Então, dado o seguinte código, como eu poderia calcular a média móvel ponderada de pontos de QI para datas de calendário (provavelmente há uma maneira melhor de estruturar os dados, qualquer conselho seria apreciado) perguntou 28 de janeiro às 18:01 Meu python é um Um pouco oxidado (qualquer um pode se sentir livre para editar este código para fazer correções, se eu magoar a sintaxe de alguma forma), mas aqui vai. Esta função move-se para trás, do fim da lista para o início, calculando a média móvel exponencial para cada valor trabalhando para trás até que o coeficiente de peso para um elemento seja menor do que o epsilon dado. No final da função, inverte os valores antes de retornar a lista (para que eles estão na ordem correta para o chamador). (NOTA LATERAL: se eu estava usando um idioma diferente de python, Id criar uma matriz vazia de tamanho completo primeiro e, em seguida, preenchê-lo para trás-ordem, de modo que eu não teria que inverter no final. Mas eu não acho que você pode declarar Uma grande matriz vazia em python. E em listas de python, anexar é muito menos caro do que prepending, é por isso que eu construí a lista na ordem inversa. Por favor, corrija-me se estou errado.) O argumento alfa é o fator de decaimento em cada iteração. Por exemplo, se você usou um alfa de 0,5, então o valor da média móvel de hoje seria composto dos seguintes valores ponderados: Claro, se você tem uma enorme variedade de valores, os valores de dez ou quinze dias atrás não vai contribuir muito Média ponderada de hoje. O argumento epsilon permite definir um ponto de corte, abaixo do qual você deixará de se preocupar com valores antigos (já que sua contribuição para o valor de hoje será insignificante). Youd invocar a função algo como isto: Eu não sei Python, mas para a parte de média, você quer dizer um filtro de passagem baixa exponencial decadente da forma onde alfa dt / tau, dt o timestep de O filtro, tau a constante de tempo do filtro (a variável-timestep forma deste é o seguinte, basta clipe dt / tau para não ser mais de 1,0) Se você quiser filtrar algo como uma data, certifique-se de converter para um Quantidade de ponto flutuante como de segundos desde 1 de janeiro de 1970.Im no processo de criação de um algoritmo de negociação forex e queria tentar o meu tiro no cálculo EMA (Exponential Moving Averages). Meus resultados parecem estar corretos (em comparação com os cálculos que eu fiz à mão), então eu acredito que o método a seguir funciona, mas só queria ter um conjunto extra de olhos para certificar-se im não faltando nada. Note que isso apenas retorna o EMA para o preço mais recente, ele não retorna uma matriz de EMAs como que não é o que eu preciso para o meu aplicativo. Recursão é uma boa ferramenta para o trabalho certo, mas aqui ele é usado para realizar loop simples. Como tal o código. É mais difícil de ler e raciocinar. É mais lento porque grande parte do código em ema só precisa ser executado uma vez. Irá falhar com o valor suficientemente grande da janela devido à pilha de chamadas Pythons transbordando. Por favor, documente pelo menos os parâmetros de cada função, por exemplo. Essa janela é o comprimento da janela, e essa posição conta para trás a partir do final dos dados. (Na verdade, as coisas ficariam mais claras se a posição fosse um índice normal para a frente em dados) Aumentar uma exceção quando você encontrar um parâmetro tem um valor inválido. Retornando Nenhum, em vez disso, só causará uma exceção mais confusa mais tarde. Na verdade, se eu tentar Indicators (). Ema (closeprices, 600) Recebo recursão infinita porque sma retorna None. Que faz ema chamar sma e outra vez. O ponto anterior também revela que se len (dados) lt janela 2 não é a verificação de validade direita. O 1 em data-window2 1: - window 1 não parece correto para mim. Suponho que você deseja data-window2: - window A declaração return previousema está em um lugar estranho, porque nesse ponto você calculou uma nova currentema. Este é o caso base da recursão, e é costume tratar o caso de base primeiro. Revisão pouco profunda: Você não precisa escrever uma aula para o que você está fazendo (e eu sugiro que você dê uma olhada neste vídeo). Sua classe não encapsula nenhum dado e você apenas o usa para ter suas funções em uma mesma entidade. Eu acho que as coisas mais fáceis de entender se você fosse definir classmethod para tornar óbvio que você não vai realmente confiar em qualquer instância qualquer. No entanto, uma opção ainda melhor seria apenas definir funções em um módulo indicador. Respondeu Nov 24 14 at 18:04 Obrigado pelas sugestões que eu realmente tê-los como classmethods e debatido indo e voltando entre mesmo usando uma classe ou apenas definir funções em um módulo indicador (o que vou fazer agora). Ndash ChrisC Nov 25 14 em 19:12 Apenas assisti o vídeo também, grande coisa. Ndash ChrisC Nov 25 14 em 19:43 Sua resposta 2017 Stack Exchange, Incnumpy. average Eixo ao longo do qual a média a. Se Nenhum. A média é feita sobre o arranjo achatado. Pesos. Arraylike, optional Uma matriz de pesos associados com os valores em a. Cada valor em a contribui para a média de acordo com seu peso associado. A matriz de pesos pode ser 1-D (caso em que seu comprimento deve ser o tamanho de um ao longo do eixo dado) ou da mesma forma como a. Se weightsNone. Então todos os dados em um são assumidos para ter um peso igual a um. devolvida . Bool, opcional O padrão é False. Se for verdade . A tupla (média de sumofweights) é retornada, caso contrário apenas a média é retornada. Se weightsNone. Sumofweights é equivalente ao número de elementos sobre os quais a média é tomada. Média, sumofweights. Arraytype ou double Retorna a média ao longo do eixo especificado. Quando retornado é True. Retorna uma tupla com a média como o primeiro elemento ea soma dos pesos como o segundo elemento. O tipo de retorno é Float se a for de tipo inteiro, caso contrário ele é do mesmo tipo que a. Sumofweights é do mesmo tipo que a média. Python Data Analysis Library pandas é uma fonte aberta, BSD biblioteca licenciada fornecendo alto desempenho, fácil de usar estruturas de dados e ferramentas de análise de dados para a linguagem de programação Python. Pandas é um projeto NUMFocus patrocinado. Isso ajudará a garantir o sucesso do desenvolvimento de pandas como um projeto open source de classe mundial. 0.19.0 Final (2 de outubro de 2017) Esta é uma versão importante do 0.18.1 e inclui o número de alterações de API, vários novos recursos, melhorias e melhorias de desempenho, juntamente com um grande número de correções de bugs. Recomendamos que todos os usuários atualizem para esta versão. Veja aqui readcsv () agora suporta análise de dados categóricos, veja aqui Uma função unioncategorical () foi adicionada para combinar categoricals, Veja aqui PeriodIndex agora tem seu próprio período dtype, e mudou para ser mais consistente com outras classes Index. Veja aqui Estruturas de dados esparsas ganharam suporte aprimorado de int e bool dtypes, veja aqui Operações de comparação com a série já não ignora o índice, veja aqui para uma visão geral das alterações API. Introdução de uma API de desenvolvimento de pandas para funções de utilidade, veja aqui. Deprecation de Panel4D e PanelND. Recomendamos representar esses tipos de dados n-dimensionais com o pacote xarray. Remoção dos módulos previamente reprovados pandas. io. data. Pandas. io. wb. Pandas. tools. rplot. Veja a visão geral do Whatsnew para uma extensa lista de todos os aprimoramentos e bugs que foram corrigidos em 0.19.0. Por favor, relate qualquer problema aqui Melhor maneira de instalar a melhor maneira de obter pandas é instalar via conda Builds para osx-64, linux-64, linux-32, win-64, win-32 para Python 2.7, Python 3.4 e Python 3.5 Estão disponíveis. Conda install pandas Quick vignette Qual é o problema pandas resolver Python tem sido grande para a munging de dados e preparação, mas menos para a análise de dados e modelagem. Pandas ajuda a preencher esta lacuna, permitindo-lhe realizar todo o fluxo de trabalho de análise de dados em Python sem ter que mudar para um idioma mais específico do domínio como R. Combinado com o excelente kit de ferramentas IPython e outras bibliotecas, o ambiente para fazer a análise de dados em Python excels No desempenho, na produtividade e na capacidade de colaborar. Pandas não implementa funcionalidade de modelagem significativa fora da regressão linear e de painel para isso, olhe para statsmodels e scikit-learn. Mais trabalho ainda é necessário para tornar o Python um ambiente de modelagem estatística de primeira classe, mas estamos bem no nosso caminho rumo a esse objetivo. O que nossos usuários têm a dizer 8220 pandas nos permite nos concentrar mais na pesquisa e menos na programação. Temos encontrado pandas fácil de aprender, fácil de usar e fácil de manter. A linha de fundo é que ele aumentou a nossa produtividade. 8221 Director de Optimização e Analytics amp 8220 pandas é a ferramenta perfeita para colmatar o fosso entre iterações rápidas de análise ad-hoc e código de qualidade de produção. Se você quer que uma ferramenta seja usada em uma organização multidisciplinar de engenheiros, matemáticos e analistas, não procure mais. 8222 8220 Utilizamos pandas para processar dados de séries temporais em nossos servidores de produção. A simplicidade e elegância de sua API e seu alto nível de desempenho para grandes volumes de dados, o tornaram uma escolha perfeita para nós.8221 Destaques da Biblioteca Um objeto DataFrame rápido e eficiente para manipulação de dados com indexação integrada Ferramentas para ler e gravar dados entre Estruturas de dados em memória e formatos diferentes: arquivos CSV e texto, Microsoft Excel, bancos de dados SQL eo rápido formato HDF5 Alinhamento inteligente de dados e tratamento integrado de dados em falta. Ganho automático alinhamento baseado em rótulo em computações e facilmente manipular dados confusos em uma forma ordenada Flexível remodelação e articulação de conjuntos de dados Intelligent baseado em rótulo de corte. Indexação extravagante. E subconjunto de grandes conjuntos de dados Colunas podem ser inseridos e excluídos das estruturas de dados para tamanho mutabilidade Agregação ou transformação de dados com um poderoso grupo por motor permitindo split-aplicar-combinar operações em conjuntos de dados Alto desempenho fusão e união de conjuntos de dados Hierárquico eixo indexação fornece Uma forma intuitiva de trabalhar com dados de alta dimensionalidade em uma estrutura de dados de menor dimensão Série temporal - funcionalidade: geração de intervalo de datas e conversão de frequência, estatísticas de janelas em movimento, regressões lineares de janelas móveis, mudança de data e atraso. Mesmo criar domínios específicos de tempo offsets e juntar séries de tempo sem perder dados Altamente otimizado para o desempenho. Com caminhos de código críticos escritos em Cython ou C. Python com pandas está em uso em uma ampla variedade de domínios acadêmicos e comerciais, incluindo Finanças, Neurociências, Economia, Estatística, Publicidade, Web Analytics, e muito mais. Advanced Matplotlib Series (vídeos e terminando Fonte apenas) Uma vez que você tenha uma compreensão básica de como funciona o Matplotlib, você pode ter interesse em levar seu conhecimento um pouco mais. Algumas das necessidades gráficas mais complexas vêm na forma de análise de ações e gráficos, ou Forex. Nesta série tutorial, foram indo para cobrir onde e como automaticamente pegar, classificar e organizar alguns stock livre e dados de preços forex. Em seguida, foram indo para gráfico usando alguns dos indicadores mais populares como um exemplo. Aqui, bem fazer MACD (Moving Average Convergence Divergence) eo RSI (Relative Strength Index). Para nos ajudar a calculá-los, usaremos o NumPy, mas, caso contrário, calcularemos tudo por conta própria. Para adquirir os dados, iriam usar a API de finanças do Yahoo. Esta API retorna dados de preços históricos para o símbolo de ticker que especificamos e para o tempo que pedimos. Quanto maior o período de tempo, menor a resolução de dados que obtemos. Assim, se você pedir um período de tempo de 1 dia para AAPL, você receberá 3-minuto OHLC (aberto alto fechamento baixo) dados. Se você pedir 10 anos vale a pena, você obterá dados diários, ou mesmo 3 dias de tempo. Tenha isso em mente e escolha um período de tempo que se ajuste aos seus objetivos. Além disso, se você escolher um intervalo de tempo baixo o suficiente e obter alta granularidade suficiente, a API retornará o tempo em um carimbo de data / hora unix, em comparação com um carimbo de data. Uma vez que tenhamos os dados, vamos querer graficá-lo. Para começar, basta traçar as linhas, mas a maioria das pessoas vai querer traçar um castiçal em seu lugar. Vamos usar a função de candelabro Matplotlibs, e fazer uma edição simples para melhorar ligeiramente. Neste mesmo gráfico, bem também sobrepor alguns cálculos de média móvel. Depois disso, vamos criar uma sub-trama, e graficar o volume. Não podemos plotar o volume na mesma subtrama imediatamente, porque a escala é diferente. Para começar, vamos plotar o volume embaixo em outro sub-plot, mas eventualmente bem realmente sobreposição de volume na mesma figura e torná-lo um pouco transparente. Então, foram indo para adicionar 2 sub-parcelas e traçar um RSI indicador na parte superior eo MACD indicador na parte inferior. Para todos estes, foram indo para compartilhar o eixo X, para que possamos zoom in e out em 1 parcela e todos eles correspondem ao mesmo período de tempo. Vamos tramar no formato de data para o eixo X, e personalizar quase todas as coisas que podemos para a estética. Isso inclui mudar as cores da etiqueta da marca, as cores da borda / coluna, as cores das linhas, as cores do candelabro da OHLC, aprender a criar um gráfico preenchido (para o volume), histogramas, desenhar linhas específicas (hline para RSI) e muito mais. Heres o resultado final (eu tenho tanto um Python 3 e uma versão Python 2. Python 3 primeiro, depois Python 2. Certifique-se de que você está usando o que corresponde a sua versão Python): Isso é tudo por agora. Quer mais tutoriais Chefe para a Home Page Matplotlib Crash Course