Flytte Gjennomsnittet I Python

Jeg spiller i Python litt igjen, og jeg fant en fin bok med eksempler. En av eksemplene er å plotte noen data. Jeg har en fil med to kolonner, og jeg har dataene jeg plottet dataene fint, men i øvelsen sier Endre programmet videre for å beregne og plotte det løpende gjennomsnittet av dataene definert av. hvor r 5 i dette tilfellet og yk er den andre kolonnen i datafilen. Har programmet plottet både de opprinnelige dataene og løpende gjennomsnittet på samme graf. Så langt har jeg dette. Så hvordan beregner jeg summen I Mathematica er det enkelt siden det er symbolsk manipulasjon Sum jeg, for eksempel, men hvordan beregner summen i python som tar hver tiende poeng i dataene og gjennomsnitt det , og gjør det til slutten av poengene. Jeg så på boken, men fant ingenting som ville forklare dette. Heltonbiker s kode gjorde kunsten D. Takk så mye. Det er et problem med det aksepterte svaret jeg tror vi må bruk gyldig i stedet for samme her - returner vindu, samme. Som et eksempel, prøv MA av dette datasettet 1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6 - resultatet skal være 4 2,5 4 , 6 0,5 0,5 0,5 2,5 4,4 4,5 4,5 6,5 6,4 6,7 0,6 8 men å ha samme gir oss en feil utgang på 2 6,3 0 , 4 2,5 4,6 0,5 0,5 0,5 2,5 4,4 4,5 4,5 6,5 6, 4 6,7 0,6 8,6 2,4 8.Rusty kode for å prøve dette ut. Prøv dette med gyldig samme og se om matematikken er fornuftig. Ansatt 29. oktober, 14 på 4 27.Haven t prøvde dette, men jeg skal se på det, det har vært en stund siden jeg har kodet inn Python dingod 29 oktober klokken 7 07. dingod Hvorfor kan du ikke prøve dette ut med den rustne koden og prøvedatasettet som en enkel liste, postet jeg For noen dovne folk som jeg hadde vært i begynnelsen - det maskerer ut faktum at glidende gjennomsnitt er at du bør vurdere å redigere det opprinnelige svaret jeg prøvde det bare i går, og dobbeltkontrollen reddet meg fra å se dårlig på å rapportere til Cxo-nivå Alt du trenger å gjøre er å prøve det samme bevegelige gjennomsnittet en gang med gyldig og annen tid med samme - og når du er overbevist om å gi meg litt kjærlighet, kjør opp te ekta 29 okt 14 kl 7 16.Moving Gjennomsnitt Hva er de. Sammen med de mest populære tekniske indikatorene, er glidende gjennomsnitt brukt til å måle retningen for den nåværende trenden. Hver type bevegelige gjennomsnitt som vanligvis skrives i denne opplæringen som MA er et matematisk resultat som beregnes ved å beregne et antall tidligere datapunkter Når det er bestemt, blir det resulterende gjennomsnittet plottet på et diagram for å tillate handelsmenn å se på glatt data i stedet for å fokusere på de daglige prisfluktuasjonene som er inneboende i alle finansielle markeder. Den enkleste formen for et bevegelige gjennomsnitt, passende kjent som et enkelt glidende gjennomsnittlig SMA, beregnes ved å ta det aritmetiske gjennomsnittet av et gitt sett med verdier. For eksempel for å beregne et grunnleggende 10-dagers glidende gjennomsnitt vil du legge til sluttkurs fra de siste 10 dagene og divider deretter resultatet med 10 I figur 1 er summen av prisene for de siste 10 dagene 110 delt med antall dager 10 for å komme til 10-dagers gjennomsnittet Hvis en handelsmann ønsker for å se et 50-dagers gjennomsnitt i stedet, vil samme type beregning bli gjort, men det vil inkludere prisene de siste 50 dagene. Det resulterende gjennomsnittet under 11 tar hensyn til de siste 10 datapunktene for å gi handelsmenn en ide om hvordan en eiendel er priset i forhold til de siste 10 dagene. Kanskje du lurer på hvorfor tekniske handelsfolk kaller dette verktøyet et glidende gjennomsnitt og ikke bare en vanlig gjennomsnitt. Svaret er at når nye verdier blir tilgjengelige, må de eldste datapunktene bli droppet fra sett og nye datapunkter må komme inn for å erstatte dem. Dermed går datasettet kontinuerlig til å regne for nye data etter hvert som den blir tilgjengelig. Denne beregningsmåten sikrer at bare den nåværende informasjonen blir regnskapsført. I figur 2, når den nye verdien av 5 legges til settet, flyttes den røde boksen som representerer de siste 10 datapunktene til høyre og den siste verdien av 15 blir tapt fra beregningen Fordi den relativt små verdien av 5 erstatter høyverdien på 15, vil du utløse ct for å se gjennomsnittet av datasettets reduksjon, som det gjør, i dette tilfellet fra 11 til 10.Hva flytte gjennomsnitt ser ut Når først verdiene til MA har blitt beregnet, plottes de på et diagram og deretter kobles til for å skape en glidende gjennomsnittslinje Disse svingete linjene er vanlige på diagrammer av tekniske handelsfolk, men hvordan de brukes kan variere drastisk mer på dette senere. Som du kan se i figur 3, er det mulig å legge til mer enn ett glidende gjennomsnitt på et diagram ved justere antall tidsperioder som brukes i beregningen Disse kurvelinjene kan virke distraherende eller forvirrende først, men du vil bli vant til dem når tiden går. Den røde linjen er bare gjennomsnittsprisen de siste 50 dagene, mens den blå linjen er gjennomsnittsprisen i løpet av de siste 100 dagene. Nå som du forstår hva et glidende gjennomsnitt er, og hvordan det ser ut, vil vi introdusere en annen type bevegelige gjennomsnitt og undersøke hvordan det adskiller seg fra det tidligere nevnte enkle glidende gjennomsnittet. Den enkle bevegelsen G-gjennomsnittet er ekstremt populært blant handelsfolk, men som alle tekniske indikatorer har det kritikere. Mange individer hevder at bruken av SMA er begrenset fordi hvert punkt i dataserien vektes det samme, uavhengig av hvor det forekommer i sekvensen Kritikere hevder at de nyeste dataene er mer signifikante enn de eldre dataene og burde ha større innflytelse på sluttresultatet. På grunn av denne kritikken begynte handelsmenn å gi mer vekt på nyere data, som siden har ført til oppfinnelsen av forskjellige typer av nye gjennomsnitt, hvorav den mest populære er det eksponentielle glidende gjennomsnittet EMA. For videre lesing, se Grunnleggende om vektede bevegelige gjennomsnitt og hva er forskjellen mellom en SMA og en EMA. Eksponentiell flytende gjennomsnitt Det eksponentielle glidende gjennomsnittet er en type glidende gjennomsnitt som gir mer vekt til de siste prisene i et forsøk på å gjøre det mer responsivt til ny informasjon. Lære den noe kompliserte ligningen for å beregne en EMA, kan b e unødvendig for mange handelsfolk, siden nesten alle kartleggingspakker utfører beregningene for deg. Men for deg matematiske geeks der ute, her er EMA-ligningen. Når du bruker formelen til å beregne det første punktet til EMA, kan du merke at det er ingen verdi tilgjengelig for bruk som forrige EMA Dette lille problemet kan løses ved å starte beregningen med et enkelt glidende gjennomsnitt og fortsetter videre med formelen fra derfra. Vi har gitt deg et prøveark som inneholder eksempler på virkelige eksempler på hvordan du beregne både et enkelt glidende gjennomsnitt og et eksponentielt glidende gjennomsnitt. Forskjellen mellom EMA og SMA Nå som du har en bedre forståelse av hvordan SMA og EMA beregnes, la oss se på hvordan disse gjennomsnittene er forskjellige. Ved å se på beregning av EMA vil du legge merke til at det legges større vekt på de siste datapunktene, noe som gjør det til en type vektet gjennomsnitt. I figur 5 er antall tidsperioder som brukes i hvert gjennomsnitt identisk 1 5, men EMA reagerer raskere på de endrede prisene Legg merke til hvordan EMA har en høyere verdi når prisen stiger, og faller raskere enn SMA når prisen senker. Denne responsen er den viktigste grunnen til at mange handelsmenn foretrekker å bruke EMA over SMA. What er de ulike dagene Gjennomsnittlig Flytte gjennomsnitt er en helt tilpassbar indikator, noe som betyr at brukeren fritt kan velge hvilken tidsramme de vil ha når man lager gjennomsnittet. De vanligste tidsperioder som brukes i bevegelige gjennomsnitt er 15, 20, 30, 50, 100 og 200 dager Den kortere tidsperioden som brukes til å skape gjennomsnittet, desto mer følsomt blir det for prisendringer Jo lengre tidsrom, jo ​​mindre følsomt eller mer utjevnet, vil gjennomsnittet være Det er ingen riktig tidsramme som skal brukes når du oppretter dine bevegelige gjennomsnitt Den beste måten å finne ut hvilken som passer best for deg, er å eksperimentere med en rekke forskjellige tidsperioder til du finner en som passer til din strategi. Jeg vet at dette er et gammelt spørsmål, men her er en løsning som ikke bruker noen ekstra datastrukturer eller biblioteker. Det er lineært i antall elementer i inngangslisten, og jeg kan ikke tenke på noen annen måte å gjøre det mer effektivt, faktisk hvis noen vet om en bedre måte å allokere Resultatet, vennligst gi meg beskjed. NB! Dette ville være mye raskere ved hjelp av en numpy array i stedet for en liste, men jeg ønsket å eliminere alle avhengigheter. Det ville også være mulig å forbedre ytelsen ved multi-threaded execution. Funksjonen forutsetter at inngangen listen er endimensjonal, så vær forsiktig. Du kan beregne et løpende middel med. Heldigvis inneholder numpy en convolve-funksjon som vi kan bruke for å øke hastigheten. Det løpende gjennomsnittet er ekvivalent med å samle x med en vektor som er N lang, med alle medlemmer som er lik 1 N Den numpy implementeringen av convolve inkluderer starttidspunktet, så du må fjerne de første N-1 poengene. På min maskin er den raske versjonen 20-30 ganger raskere, avhengig av lengden på inngangsvektoren og størrelsen av gjennomsnittlig vindu. Note som convolve innebærer en samme modus som virker som om den burde adressere det begynnende forbigående problemet, men det splitter det mellom begynnelsen og slutten. Den fjerner forbigående fra slutten, og begynnelsen har ikke en Vel, Jeg antar at det er saken om prioriteringer, jeg trenger ikke det samme antall resultater på bekostning av å få en skråning mot null som ikke er der i dataene BTW, her er en kommando for å vise forskjellen mellom modusmodusene fulle, like , gyldig tomt convolve de 200,, de 50, 50, modus m for m i moduser akse -10, 251, - 1, 1 1 legemodus, lok lavere senter med pyplot og numpy importert lapis Mar 24 14 på 13 56.pandas er mer egnet for dette enn NumPy eller SciPy. Funksjonen rollingmean gjør jobben beleilig. Den returnerer også et NumPy-array når inngangen er en array. Det er vanskelig å slå rollingmean i ytelse med enhver tilpasset ren Python-implementering. Her er et eksempel ytelse mot to av de foreslåtte løsningene her er også gode alternativer for hvordan å håndtere kanten verdier. Jeg er alltid irritert av signalbehandling funksjon som returnerer utgangssignaler av forskjellig form enn inngangssignalene når både innganger og utganger er av samme natur, for eksempel begge tidsmessige signaler Det bryter korrespondansen med relatert uavhengig variabel, for eksempel tid, frekvensoppretting av plotting eller sammenligning er ikke en direkte sak uansett, hvis du deler følelsen, vil du kanskje endre de siste linjene i den foreslåtte funksjonen som samme returnering windowlen-1 - windowlen-1 Christian O Reilly Aug 25 15 på 19 56. Litt sent til festen, men jeg har laget min egen lille funksjon som ikke vikler rundt endene eller pads med nuller som deretter brukes til å finne gjennomsnittet også. Som en ytterligere godbit er , at den også prøver å samplere signalet på lineært avstandspunkter. Tilpass koden på vilkårlig måte for å få andre funksjoner. Metoden er en enkel matriksmultiplikasjon med en normalisert gausskjerne. En enkel bruk på et sinusformet signal med tilsatt normal distribuert støy. Dette spørsmålet er nå enda eldre enn da NeXuS skrev om det i forrige måned, MEN jeg liker hvordan koden hans håndterer kantsaker. Men fordi det er et enkelt bevegelig gjennomsnittslag, går det etter resultatene de søker etter jeg trodde at det handlet om kantsaker på en mer tilfredsstillende måte enn NumPy s-modi som var gyldige samme og fulle, kunne oppnås ved å anvende en lignende tilnærming til en konvoluttbasert metode. Mitt bidrag bruker et sentralt løpende gjennomsnitt for å justere resultatene med dataene deres når det er to få poeng tilgjengelig for vinduet i full størrelse som skal brukes, beregnes løpende gjennomsnitt fra suksessivt mindre vinduer ved kantene av arrayet Egentlig fra suksessivt større vinduer, men det er en implementeringsdetalj. Det er relativt sakte fordi det bruker convolve og kan sannsynligvis bli spruced opp ganske mye av en ekte Pythonista, men jeg tror at ideen står. Ansatt Jan 2 på 0 28. Det er fint, men sakte når vinduets bredde blir stor. Noen svar gir de mer effektive algoritmer med, men synes ikke å håndtere kantsverdier, jeg har selv implementert en algoritme som kan håndtere dette problemet godt, hvis dette problemet er erklært som. Innspillingsparameter mergenum kan betraktes som 2 vindubredde 1. Jeg vet at denne koden er litt litt ulestelig hvis du finner det nyttig og vil ha noen utvidelser, vennligst gi meg beskjed og jeg vil oppdatere dette svaret Siden skriving kan en forklaring koste meg mye tid, jeg håper jeg bare gjør det når noen trenger det. Vennligst tilgi meg for min dovenskap. Hvis du bare er interessert i sin opprinnelige versjon. Det er enda mer uleselig, den første løsningen blir kvitt kantenproblemet ved å putte nuller rundt arrayet, men den andre løsningen som er lagt ut her, håndterer den på en tøff og direkte måte. I min siste setning jeg prøvde å indikere hvorfor det hjelper flytende punkt feil Hvis to verdier er omtrent samme størrelsesorden, legger du til mindre tap av presisjon enn hvis du legger til et veldig stort tall til en veldig liten kode. Koden kombinerer tilstøtende verdier es på en slik måte at selv mellomliggende beløp alltid skal være rimelig tett i størrelsesorden, for å minimere flytpunktsfeilen. Ingenting er dumt bevis, men denne metoden har reddet et par svært dårlig implementerte prosjekter i produksjon. Mayur Patel 15. desember klokken 17 22. Alleo i stedet av å gjøre ett tillegg per verdi, vil du gjøre to. Beviset er det samme som bit-flipping-problemet. Imidlertid er poenget med dette svaret ikke nødvendigvis ytelse, men presisjon Minnebruk for gjennomsnittlige 64-biters verdier vil ikke overstige 64 elementer i cachen, så det er vennlig i minnebruk også Mayur Patel Des 29 14 på 17 04.