Moyenne mobile Numpy

Avant de commencer notre sujet, comprenons quelle est la moyenne mobile. Dans les statistiques, une moyenne mobile est une technique pour calculer et analyser les points de données. Il calcule les points de données en réalisant une série d'une moyenne de sous-ensembles différents à partir d'un ensemble de données complet. Ainsi, une moyenne mobile est une mesure qui capte le changement typique d'une série d'informations au fil du temps. Le déménagement est l'un des indicateurs d'analyse technique les plus flexibles et les plus utilisés. Puisqu'il est si simple à utiliser, les investisseurs professionnels l'utilisent comme moyen d'un certain ensemble de données en statistique. Nous pouvons également calculer une moyenne mobile dans une période plus courte en l'utilisant sur des données quotidiennes ou minutieuses.Par exemple: lors de la détermination d'une moyenne mobile de 10 jours, dans notre cas, nous allons simplement résumer les prix de clôture de l'un des dix jours précédents et diviser le résultat par dix. Le lendemain, nous calculerons également le prix au cours des dix derniers jours, ce qui signifie que nous ne calculerons pas le prix du premier jour. Il sera plutôt remplacé par notre prix hier. Les données changent de cette manière à chaque jour de déménagement, il est connu comme la moyenne mobile pour cette raison. Le but de la moyenne mobile est de déterminer le début d'une tendance, puis de suivre ses progrès et également de signaler son renversement au cas où il se produit. La formule pour calculer la moyenne mobile est ft = (dt1 + dt2 + dt3… + dtn) / n. Où la DT est la demande au cours de la période T et FT est prévue dans le temps t.

Syntaxe:

Nous pouvons calculer la moyenne mobile de diverses manières qui sont les suivantes:

Méthode 1:

Nombant. cumsum ()

Il renvoie la somme des éléments dans le tableau donné. Nous pouvons calculer la moyenne mobile en divisant la sortie de cumsum () par la taille du tableau.

Méthode 2:

Nombant.mame.moyenne()

Il a les paramètres suivants.

R: Données dans le formulaire de tableau qui doit être moyenne.

axe: son type de données est int et c'est un paramètre facultatif.

Poids: c'est aussi un tableau et un paramètre facultatif. Il peut être de la même forme qu'une forme 1-D. Dans le cas de dimension, il doit avoir une longueur égale comme celle du tableau «A».

Notez qu'il ne semble pas y avoir de fonction standard dans Numpy pour calculer la moyenne mobile afin qu'elle puisse être effectuée par d'autres méthodes.

Méthode 3:

Une autre méthode qui peut être utilisée pour calculer la moyenne mobile est:

NP.Convolve (a, v, mode = 'full')

Dans cette syntaxe, A est la première dimension d'entrée et V est la deuxième valeur de dimension d'entrée. Le mode est la valeur facultative, elle peut être complète, la même et valide.

Exemple # 01:

Maintenant, pour expliquer plus sur la moyenne mobile dans Numpy, donnons un exemple. Dans cet exemple, nous éliminerons la moyenne mobile d'un tableau avec la fonction de convolve de Numpy. Nous allons donc prendre un tableau «A» avec 1,2,3,4,5 comme éléments. Maintenant, nous appellerons le NP.Convoluer la fonction et stocker sa sortie dans notre variable «B». Après cela, nous imprimerons la valeur de notre variable «B». Cette fonction calculera la somme mobile de notre tableau d'entrée. Nous allons imprimer la sortie pour voir si notre sortie est correcte ou non.

Après cela, nous convertirons notre sortie en moyenne mobile en utilisant la même méthode Convolve. Pour calculer la moyenne mobile, nous devrons simplement diviser la somme mobile par le nombre d'échantillons. Mais le principal problème ici est que, comme il s'agit d'une moyenne mobile, le nombre d'échantillons continue de changer en fonction de l'emplacement dans lequel nous sommes. Donc, pour résoudre ce problème, nous allons simplement créer une liste des dénominateurs et nous devons en faire une moyenne.

À cette fin, nous avons initialisé un autre «dénom» variable pour le dénominateur. Il est simple pour la compréhension de la liste en utilisant l'astuce de plage. Notre tableau contient cinq éléments différents, donc le nombre d'échantillons dans chaque endroit passera de un à cinq, puis redescendent de cinq à un. Ainsi, nous allons simplement ajouter deux listes ensemble et nous les stockons dans notre paramètre «Denom». Maintenant, nous allons imprimer cette variable pour vérifier si le système nous a donné les vrais dénominateurs ou non. Après cela, nous diviserons notre somme mobile avec les dénominateurs et l'imprimerons en stockant la sortie dans la variable «C». Laissez-nous exécuter notre code pour vérifier les résultats.

Importer Numpy comme NP
a = [1,2,3,4,5]
b = np.Convolution (A, NP.Ones_like (a))
Imprimer ("Somme mobile", b)
denom = list (gamme (1,5)) + liste (plage (5,0, -1))
imprimer ("dénominateurs", denom)
c = np.Convolution (A, NP.Ones_like (a)) / Denom
imprimer ("moyenne mobile", c)

Après l'exécution réussie de notre code, nous obtiendrons la sortie suivante. Dans la première ligne, nous avons imprimé la «somme mobile». Nous pouvons voir que nous avons «1» au début et «5» à la fin du tableau, tout comme nous l'avons fait dans notre tableau d'origine. Les autres nombres sont les sommes des éléments différents de notre tableau.

Par exemple, six sur le troisième index du tableau proviennent de l'ajout de 1,2, et 3 de notre tableau d'entrée. Dix sur le quatrième indice proviennent de 1,2,3 et 4. Quinze proviennent de résumer tous les chiffres ensemble, et ainsi de suite. Maintenant, dans la deuxième ligne de notre sortie, nous avons imprimé les dénominateurs de notre tableau.

De notre sortie, nous pouvons voir que tous les dénominateurs sont exacts, ce qui signifie que nous pouvons les diviser avec notre tableau de somme en mouvement. Maintenant, passez à la dernière ligne de la sortie. Dans la dernière ligne, nous pouvons voir que le premier élément de notre tableau moyen mobile est 1. La moyenne de 1 est 1, donc notre premier élément est correct. La moyenne de 1 + 2/2 sera 1.5. On peut voir que le deuxième élément de notre tableau de sortie est 1.5 Ainsi, la deuxième moyenne est également correcte. La moyenne de 1,2,3 sera de 6/3 = 2. Cela rend également notre sortie correcte. Ainsi, à partir de la sortie, nous pouvons dire que nous avons réussi à calculer la moyenne mobile d'un tableau.

Conclusion

Dans ce guide, nous avons appris sur les moyennes de déplacement: quelle est la moyenne mobile, quelles sont ses utilisations et comment calculer la moyenne mobile. Nous l'avons étudié en détail à la fois des points de vue mathématiques et de programmation. Dans Numpy, il n'y a pas de fonction ou de processus spécifique pour calculer la moyenne mobile. Mais il existe différentes autres fonctions avec l'aide de laquelle nous pouvons calculer la moyenne mobile. Nous avons fait un exemple pour calculer la moyenne mobile et décrit chaque étape de notre exemple. Les moyennes déplacées sont une approche utile pour prévoir les résultats futurs à l'aide de données existantes.