Media mobile numpy

Prima di iniziare il nostro argomento, capiamo qual è la media mobile. In statistiche, una media mobile è una tecnica per calcolare e analizzare i punti dati. Calcola i punti dati realizzando una serie di una media di diversi sottoinsiemi da un set di dati completo. Quindi, una media mobile è una misurazione che cattura il cambiamento tipico in una serie di informazioni nel tempo. Lo spostamento è uno degli indicatori di analisi tecnica più flessibili e frequentemente utilizzati. Poiché è così semplice da usare, gli investitori professionisti lo impiegano come mezzo per una determinata serie di dati in statistica. Possiamo anche calcolare una media mobile in un periodo più breve utilizzandola su dati giornalieri o minimi.Ad esempio: quando determiniamo una media mobile a 10 giorni, in nostro istanza, riassumeremo i prezzi di chiusura da uno dei dieci giorni precedenti e divideremo il risultato per dieci. Il giorno successivo, calcoleremo anche il prezzo negli ultimi dieci giorni, il che significa che non calcoleremo il prezzo del primo giorno. Preferirà sostituire ieri dal nostro prezzo. I dati cambiano in questo modo ad ogni giorno in movimento, è noto come media mobile per questo motivo. Lo scopo della media mobile è determinare l'inizio di una tendenza, quindi seguire i suoi progressi e riportare anche la sua inversione nel caso in cui si verifichi. La formula per calcolare la media mobile è ft = (dt1+dt2+dt3…+dtn)/n. Dove dt è la domanda nel periodo t e ft è previsto nel tempo t.

Sintassi:

Possiamo calcolare la media mobile in vari modi che sono i seguenti:

Metodo 1:

Numpy. cumsum ()

Restituisce la somma degli elementi nell'array dato. Possiamo calcolare la media mobile dividendo l'output di cumsum () per le dimensioni dell'array.

Metodo 2:

Numpy.Ma.media()

Ha i seguenti parametri.

A: Dati in forma di array che deve essere mediato.

Asse: il suo tipo di dati è int ed è un parametro opzionale.

Peso: è anche un array e un parametro opzionale. Può essere della stessa forma di una forma 1-D. Nel caso di monodimensionale, deve avere una lunghezza uguale come quella di "A".

Si noti che non sembra esserci alcuna funzione standard in numpy per calcolare la media mobile in modo che possa essere fatto con altri metodi.

Metodo 3:

Un altro metodo che può essere utilizzato per calcolare la media mobile è:

np.convVolve (a, v, modalità = 'full')

In questa sintassi, A è il primo input dimensionale e V è il secondo valore dimensionale di input. La modalità è il valore opzionale, può essere pieno, uguale e valido.

Esempio # 01:

Ora, per spiegare di più sulla media mobile in numpy, diamo un esempio. In questo esempio, elimineremo la media mobile di un array con la funzione convocata di Numpy. Quindi, prenderemo un array "A" con 1,2,3,4,5 come elementi. Ora chiameremo il NP.convocare la funzione e memorizzare il suo output nella nostra variabile "b". Successivamente, stamperemo il valore della nostra variabile "B". Questa funzione calcolerà la somma mobile del nostro array di input. Stamperemo l'output per vedere se il nostro output è corretto o meno.

Successivamente, convertiremo il nostro output in media mobile usando lo stesso metodo convivo. Per calcolare la media mobile, dovremo solo dividere la somma mobile per il numero di campioni. Ma il problema principale qui è che, poiché si tratta di una media mobile, il numero di campioni continua a cambiare a seconda della posizione in cui ci troviamo. Quindi, per risolvere questo problema, creeremo semplicemente un elenco dei denominatori e dobbiamo trasformarlo in una media.

A tale scopo, abbiamo inizializzato un'altra variabile "denom" per il denominatore. È semplice per la comprensione dell'elenco utilizzando il trucco di gamma. Il nostro array ha cinque diversi elementi, quindi il numero di campioni in ogni luogo andrà da uno a cinque e poi tornerà da cinque a uno. Quindi, aggiungeremo semplicemente due elenchi insieme e le memorizzeremo nel nostro parametro "Denom". Ora, stamperemo questa variabile per verificare se il sistema ci ha dato i veri denominatori o no. Successivamente, divideremo la nostra somma commovente con i denominatori e la stamperemo immagazzinando l'output nella variabile "C". Eseguiamo il nostro codice per controllare i risultati.

Importa Numpy come NP
A = [1,2,3,4,5]
b = np.convocare (a, np.One_like (a))
Stampa ("Somma mobile", b)
denom = elenco (intervallo (1,5)) + elenco (intervallo (5,0, -1))
Print ("denominators", Denom)
c = np.convocare (a, np.One_like (a)) / denom
stampa ("media mobile", c)

Dopo la riuscita esecuzione del nostro codice, otterremo il seguente output. Nella prima riga, abbiamo stampato la "somma mobile". Possiamo vedere che abbiamo "1" all'inizio e "5" alla fine dell'array, proprio come abbiamo fatto nel nostro array originale. Il resto dei numeri sono le somme di diversi elementi del nostro array.

Ad esempio, sei sul terzo indice dell'array provengono dall'aggiunta di 1,2 e 3 dal nostro array di input. Dieci sul quarto indice provengono da 1,2,3 e 4. Quindici vengono dal riassumere tutti i numeri insieme, e così via. Ora, nella seconda riga della nostra produzione, abbiamo stampato i denominatori del nostro array.

Dal nostro output, possiamo vedere che tutti i denominatori sono esatti, il che significa che possiamo dividerli con il nostro array di somma in movimento. Ora, passa all'ultima riga dell'output. Nell'ultima riga, possiamo vedere che il primo elemento del nostro array medio mobile è 1. La media di 1 è 1 quindi il nostro primo elemento è corretto. La media di 1+2/2 sarà 1.5. Possiamo vedere che il secondo elemento del nostro array di output è 1.5 Quindi anche la seconda media è corretta. La media di 1,2,3 sarà 6/3 = 2. Rende anche la nostra produzione corretta. Quindi, dall'output, possiamo dire che abbiamo calcolato con successo la media mobile di un array.

Conclusione

In questa guida, abbiamo appreso le medie mobili: cos'è la media mobile, quali sono i suoi usi e come calcolare la media mobile. L'abbiamo studiato in dettaglio dai punti di vista matematici e di programmazione. In Numpy, non esiste una funzione o un processo specifico per calcolare la media mobile. Ma ci sono diverse altre funzioni con l'aiuto di cui possiamo calcolare la media mobile. Abbiamo fatto un esempio per calcolare la media mobile e descritto ogni fase del nostro esempio. Le medie mobili sono un approccio utile per prevedere i risultati futuri con l'aiuto dei dati esistenti.