Pandas Moyenne mobile

«Le« Pandas », qui est la bibliothèque de« Python », fournit de nombreuses fonctions intégrées qui nous aident à effectuer facilement différentes tâches en utilisant ces fonctions. Il donne différentes méthodes que nous avons utilisées pour calculer les moyennes mobiles. Il est utilisé pour analyser les informations sur les séries chronologiques en générant les moyennes de sous-ensembles distincts de l'ensemble de données. Nous pouvons également utiliser le nom de moyenne roulant à la place de la moyenne mobile. Avec des informations sur les séries chronologiques, la moyenne mobile est généralement utilisée pour capturer les variations à court terme tout en se concentrant sur les tendances plus longues. Nous discuterons de toutes ses méthodes dans ce guide et expliquerons comment cela fonctionne dans les «pandas»."

Méthodes pour la moyenne mobile

Le «Pandas» nous facilite avec trois méthodes distinctes de cette méthode «Pandas Moving Average». Nous discuterons également en détail des trois méthodes de ce guide. Ces méthodes sont:

• • Moyenne mobile simple.
  • Moyenne mobile exponentielle.
  • Moyenne mobile cumulative.

Passons à la démonstration pratique de toutes ces méthodes dans le code «pandas» ici.

Exemple # 01

Comme nous utilisons l'outil «Spyder» pour utiliser pratiquement ces méthodes dans «Pandas». Pour l'application de la méthode «moyenne mobile», nous devons créer le dataframe dans «pandas». Pour cela, nous générons d'abord le dictionnaire ici, qui est nommé «Group_data», et nous insérons «Group_leader», dans lequel «Olive, Rowan, Julian, Howard, Novah, Juliet, Ella et Ava» est entré. Ensuite, nous avons «superviseur», qui contient «Amina, Asher, Felix, William, Bromley, Nora, Collins et Freya». Ensuite, nous avons mis «Présentation», qui contient les marques de la présentation qui sont «15, 18, 16, 10, 19, 11, 15 et 14». Nous avons également des «affectations», dans lesquelles nous avons ajouté les marques des affectations, et ces marques sont «29, 26, 25, 27, 28, 28, 25 et 26».

Après les marques d'affectation, nous avons ajouté les marques internes en «interne», qui sont «5, 6, 9, 8, 5, 7, 2 et 6». Ensuite, nous devons convertir ce dictionnaire «Group_Data» en DataFrame «Group_DF». Pour cela, nous avons utilisé la méthode «Pandas», qui nous aide à convertir le dictionnaire en DataFrame. Cette méthode est «PD.DataFrame () ”ici, et nous entrons le nom du dictionnaire en tant que paramètre. Après cela, nous imprimons la méthode «Group_DF» en utilisant la méthode «print ()».

Nous exécutons ce code dans l'outil "Spyder" en appuyant sur "Shift + Entrée". Après l'exécution du code ci-dessus, le dataframe s'affiche sur le terminal. Maintenant, nous allons avancer et appliquer la méthode de la moyenne mobile aux colonnes de ce DataFrame.

Nous utilisons ici une «moyenne mobile simple», et nous avons appliqué cette moyenne mobile simple sur deux colonnes du dataframe. Nous stockons les valeurs dans la variable «Group_DF1», que nous obtenons après avoir appliqué la moyenne de roulement sur deux colonnes. Ces deux colonnes sont ajoutées après avoir mis le nom de DataFrame dans deux crochets. Ces deux colonnes sont des «présentations et affectations» ici. Ensuite, nous plaçons la fenêtre roulante, qui est «2» ici, puis utilisons la méthode «moyenne ()». Cette fenêtre roulante est utilisée pour prendre les moyennes sur les nombres prédéterminés des intervalles de temps. Après cela, le «groupe_df1» est ajouté dans la méthode «print ()» pour imprimer sur le terminal.

Les valeurs que nous obtenons après avoir appliqué la méthode moyenne en mouvement ou roulant aux colonnes «présentation» et «affectations» sont affichées ci-dessous. Les valeurs affichées ici sont les valeurs moyennes mobiles des deux colonnes.

Exemple # 02

Nous utilisons à nouveau le «groupe_df», et cette fois, nous appliquons la «moyenne mobile exponentielle». Lorsque nous voulons appliquer la moyenne mobile exponentielle, nous utilisons la méthode «ewm ()». Dans cette méthode «ewm ()», nous devons passer la valeur «Span». Nous appliquons cette méthode sur la colonne "Intervalles" et enregistrons les nouvelles valeurs dans la colonne "EWM_30", qui est également ajoutée à cette méthode de données "Group_DF" après avoir appliqué la méthode "ewm ()". La valeur «Span» que nous définissons ici est «30» et nous plaçons également la méthode «Mean ()» avec cette méthode «ewm ()».

La méthode DataFrame avant d'appliquer la méthode «ewm ()» et après application de la méthode «ewm ()» s'affiche ici. La colonne «EWM_30» est ajoutée dans le DataFrame ci-dessous, qui est créée ici pour stocker les valeurs moyennes mobiles de la colonne «Intervalles» après avoir appliqué la méthode «ewm ()» à cette colonne.

Exemple # 03

Les bibliothèques «Pandas» et «Numpy» sont importées ici parce que nous devons utiliser les méthodes des deux bibliothèques dans «Pandas». Le DataFrame que nous avons créé ici contient quatre colonnes. La première colonne, «cola», contient «0, 1, 2, 3, 4, np.NAN, 7, NP.nan et 9 ”. Le «COLB» est ici dans lequel nous avons ajouté «7, 8, 9, 10, 4, 17, 14, 12 et 22». Ensuite, nous avons «COLC», dans lequel nous mettons «10, 21, 12, np.Nan, 14, 15, 17, 11 et 33 ”. Le «froid» est maintenant ajouté dans lequel nous avons inséré «20, 31, 2, 14, 11, np.NAN, 24, 10 ans et NP.nan ».

Ensuite, nous utilisons le «Print (DF)» qui imprimera ce DataFrame. Nous appliquerons la moyenne mobile, mais d'abord, nous afficherons ce DataFrame ici.

Le DataFrame avant d'appliquer une méthode moyenne mobile est rendue ci-dessous. Vous pouvez facilement noter que toutes les colonnes sont affichées ici. Maintenant, nous appliquerons la moyenne mobile sur toutes ces colonnes et afficherons le résultat.

Nous appliquons ici la moyenne mobile ou le roulement simple, et nous savons que nous devons passer la valeur de la fenêtre de roulement dans cette méthode de roulement. Donc, nous passons «2» ici, puis nous appliquons la méthode «sum ()» avec cette méthode moyenne mobile. Nous avons stocké les valeurs que nous obtenons après avoir appliqué la méthode «Rolling ()» aux colonnes; Les valeurs «cola» sont stockées dans les valeurs «somme a», «colb» dans les valeurs «somme B» et «COLC» dans les valeurs «somme C» et également «froide» dans la variable «somme d».

Nous avons également appliqué la méthode «Fillna ()» ici et passer «0» comme paramètre, qui modifiera toutes les valeurs nulles que nous obtenons après avoir appliqué la méthode de roulement dans «0» et stockera la nouvelle données de données dans «DF2» et Affiche également «DF2». Exécutons ce code et verrons le résultat après avoir appliqué ces moyennes mobiles à toutes les colonnes séparément.

Voici le résultat de ce code, dans lequel les valeurs sont affichées, que nous obtenons après avoir utilisé la méthode «Rolling ()» sur toutes les colonnes et afficher les valeurs moyennes mobiles dans la nouvelle colonne. Après cela, il remplace toutes les valeurs nulles par «0» et affiche également le nouveau DataFrame ci-dessous, qui contient «0» à la place de «Nan», qui sont des valeurs nulles.

Exemple # 04

Nous pouvons également calculer les moyennes mobiles du fichier CSV après avoir lu les données dans le fichier. Ici, nous lisons les «cours.Fichier CSV "en mettant le" PD.Méthode read_csv () ”, puis stockant les données comme DataFrame dans" Courses_DF ". Nous appliquons ici la méthode «moyenne mobile cumulative». Dans cette méthode, nous n'avons pas à ajouter la taille fixe de la fenêtre car la taille de la fenêtre change avec le temps. Pour utiliser cela, nous devons mettre la méthode «en expansion ()», et après cela, nous plaçons la «moyenne ()». Nous avons appliqué cette méthode à la colonne «Discount», qui est présente dans le fichier CSV et stocké le résultat dans la colonne «moyenne_cma».

Le dataframe que nous avons obtenu après avoir lu les «cours.Le fichier CSV »est rendu en premier. Ensuite, la méthode de moyenne mobile cumulative est appliquée ici, et le résultat que nous obtenons après l'application de cette méthode est également affiché ci-dessous dans la colonne «moyenne_cma».

Conclusion

Le concept de «moyenne mobile» de «pandas» est discuté en détail dans ce guide. Nous avons discuté de trois méthodes différentes que nous avons utilisées dans les «pandas» pour calculer les «moyennes mobiles». Nous avons appliqué les trois méthodes séparément dans nos exemples et avons expliqué comment ces méthodes fonctionnent et comment utiliser ces méthodes dans des «pandas». Nous avons appliqué ces méthodes aux colonnes après avoir créé le DataFrame ici, et nous avons également appliqué cette méthode aux données du fichier CSV après avoir lu le fichier CSV. Nous avons expliqué toutes les méthodes en détail ici.