Python pandas.Series.ewm用法及代码示例

用法: Series.ewm(com=None, span=None, halflife=None, alpha=None, min_periods=0, adjust=True, ignore_na=False, axis=0, times=None, method='single')

提供 index 加权 (EW) 计算。

必须提供一个参数：com、span、halflife 或alpha。

参数：

com：浮点数，可选

根据质心指定衰减

\(\alpha = 1 / (1 + com)\) ，对于 \(com \geq 0\) 。

span：浮点数，可选

根据跨度指定衰减

\(\alpha = 2 / (span + 1)\) ，对于 \(span \geq 1\) 。

halflife：浮点数，str，timedelta，可选

指定衰减 half-life

\(\alpha = 1 - \exp\left(-\ln(2) / halflife\right)\) ，对于 \(halflife > 0\) 。

如果指定times，则观察值衰减到其值一半的时间单位(str 或 timedelta)。仅适用于 mean() ，半衰期值不适用于其他函数。

alpha：浮点数，可选

直接指定平滑因子\(\alpha\)

\(0 < \alpha \leq 1\) 。

min_periods：整数，默认 0

具有值所需的窗口中的最小观察数；否则，结果为 np.nan 。

adjust：布尔值，默认为真

除以期初的衰减调整因子，以说明相对权重的不平衡(将 EWMA 视为移动平均线)。

当 adjust=True(默认)时，EW 函数使用权重 \(w_i = (1 - \alpha)^i\) 计算。例如，序列 [\(x_0, x_1, ..., x_t\)] 的 EW 移动平均线将是：

\[y_t = \frac{x_t + (1 - \alpha)x_{t-1} + (1 - \alpha)^2 x_{t-2} + ... + (1 - \alpha)^t x_0}{1 + (1 - \alpha) + (1 - \alpha)^2 + ... + (1 - \alpha)^t}\]

当 adjust=False 时，递归计算 index 加权函数：

\[\begin{split}\begin{split} y_0 &= x_0\\ y_t &= (1 - \alpha) y_{t-1} + \alpha x_t, \end{split}\end{split}\]

ignore_na：布尔值，默认为 False

计算权重时忽略缺失值。

ignore_na=False(默认)时，权重基于绝对位置。例如，在计算 [ \(x_0\) , None, \(x_2\) ] 的最终加权平均值时使用的 \(x_0\) 和 \(x_2\) 的权重是 \((1-\alpha)^2\) 和 \(1\) if adjust=True 和 \((1-\alpha)^2\) 和\(\alpha\) 如果 adjust=False 。
当 ignore_na=True 时，权重基于相对位置。例如，在计算 [ \(x_0\) , None, \(x_2\) ] 的最终加权平均值时使用的 \(x_0\) 和 \(x_2\) 的权重是 \(1-\alpha\) 和 \(1\) if adjust=True 和 \(1-\alpha\) 和\(\alpha\) 如果 adjust=False 。

axis：{0, 1}，默认 0

如果 0 或 'index' ，跨行计算。

如果 1 或 'columns' ，跨列计算。

times：str，np.ndarray，系列，默认无

仅适用于 mean() 。

对应于观察的时间。必须单调递增和datetime64[ns] dtype。

如果是一维数组，则与观察值具有相同形状的序列。

method：str {‘single’, ‘table’}，默认 ‘single’

对单个列或行 ('single') 或整个对象 ('table') 执行滚动操作。

此参数仅在方法调用中指定engine='numba' 时实现。

仅适用于mean()

ExponentialMovingWindow 子类

注意：

有关更多使用细节和示例，请参阅窗口操作。

例子：

>>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]})
>>> df
     B
0  0.0
1  1.0
2  2.0
3  NaN
4  4.0

>>> df.ewm(com=0.5).mean()
          B
0  0.000000
1  0.750000
2  1.615385
3  1.615385
4  3.670213
>>> df.ewm(alpha=2 / 3).mean()
          B
0  0.000000
1  0.750000
2  1.615385
3  1.615385
4  3.670213

调整

>>> df.ewm(com=0.5, adjust=True).mean()
          B
0  0.000000
1  0.750000
2  1.615385
3  1.615385
4  3.670213
>>> df.ewm(com=0.5, adjust=False).mean()
          B
0  0.000000
1  0.666667
2  1.555556
3  1.555556
4  3.650794

ignore_na

>>> df.ewm(com=0.5, ignore_na=True).mean()
          B
0  0.000000
1  0.750000
2  1.615385
3  1.615385
4  3.225000
>>> df.ewm(com=0.5, ignore_na=False).mean()
          B
0  0.000000
1  0.750000
2  1.615385
3  1.615385
4  3.670213

次

使用相对于 times 的 timedelta halflife 计算权重的 index 加权平均值。

>>> times = ['2020-01-01', '2020-01-03', '2020-01-10', '2020-01-15', '2020-01-17']
>>> df.ewm(halflife='4 days', times=pd.DatetimeIndex(times)).mean()
          B
0  0.000000
1  0.585786
2  1.523889
3  1.523889
4  3.233686

相关用法

注：本文由纯净天空筛选整理自pandas.pydata.org大神的英文原创作品 pandas.Series.ewm。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

注意：

例子：