Média móvel Numpy

Antes de iniciar nosso tópico, vamos entender qual é a média móvel. Nas estatísticas, uma média móvel é uma técnica para calcular e analisar pontos de dados. Ele calcula os pontos de dados fazendo uma série de subconjuntos médios de diferentes subconjuntos de um conjunto de dados completo. Portanto, uma média móvel é uma medição que captura a mudança típica em uma série de informações ao longo do tempo. Mover é um dos indicadores de análise técnica mais flexíveis e frequentemente usados. Como é tão simples de usar, os investidores profissionais o empregam como um meio de um determinado conjunto de dados em estatísticas. Também podemos calcular uma média móvel em um período mais curto usando -o em dados diários ou minúsculos.Por exemplo: Ao determinar uma média móvel de 10 dias, em nossa instância, resumiremos os preços de fechamento de qualquer um dos dez dias anteriores e dividiremos o resultado por dez. No dia seguinte, também calcularemos o preço nos últimos dez dias, o que significa que não estaremos calculando o preço do primeiro dia. Será preferido substituído por nosso preço ontem. Os dados mudam dessa maneira a cada dia em movimento, são conhecidos como a média móvel por esse motivo. O objetivo da média móvel é determinar o início de uma tendência, seguir seu progresso e também relatar sua reversão, caso ocorra. A fórmula para calcular a média móvel é ft = (dt1+dt2+dt3…+dtn)/n. Onde dt é a demanda no período t e ft é previsto no tempo t.

Sintaxe:

Podemos calcular a média móvel de várias maneiras que são as seguintes:

Método 1:

Numpy. Cumsum ()

Ele retorna a soma dos elementos na matriz dada. Podemos calcular a média móvel dividindo a saída de Cumsum () pelo tamanho da matriz.

Método 2:

Numpy.MA.média()

Tem os seguintes parâmetros.

R: Dados em forma de matriz que devem ser calculados.

eixo: seu tipo de dados é int e é um parâmetro opcional.

Peso: também é uma matriz e parâmetro opcional. Pode ter a mesma forma que uma forma 1-D. No caso de uma dimensão, ele deve ter um comprimento igual ao da matriz "A".

Observe que parece não haver função padrão no Numpy para calcular a média móvel, para que possa ser feito por alguns outros métodos.

Método 3:

Outro método que pode ser usado para calcular a média móvel é:

NP.compvolve (a, v, modo = 'completo')

Nesta sintaxe, a é o primeiro dimensional de entrada e V é o segundo valor dimensional de entrada. O modo é o valor opcional, pode estar cheio, o mesmo e válido.

Exemplo # 01:

Agora, para explicar mais sobre a média móvel em Numpy, vamos dar um exemplo. Neste exemplo, eliminaremos a média móvel de uma matriz com a função convolvente de Numpy. Então, vamos pegar uma matriz "A" com 1,2,3,4,5 como seus elementos. Agora, vamos ligar para o NP.Função convoluida e armazenar sua saída em nossa variável "B". Depois disso, imprimiremos o valor de nossa variável "B". Esta função calculará a soma móvel de nossa matriz de entrada. Vamos imprimir a saída para ver se nossa saída está correta ou não.

Depois disso, converteremos nossa saída para a média móvel usando o mesmo método complicado. Para calcular a média móvel, teremos que dividir a soma em movimento pelo número de amostras. Mas o principal problema aqui é que, como é uma média móvel, o número de amostras continua mudando dependendo do local em que estamos. Então, para resolver esse problema, simplesmente criaremos uma lista dos denominadores e precisamos transformar isso em uma média.

Para esse fim, inicializamos outra variável "denom" para o denominador. É simples para compreensão de listas usando o truque do alcance. Nossa matriz tem cinco elementos diferentes, para que o número de amostras em cada lugar passará de um para cinco e depois recuará de cinco para um. Então, simplesmente adicionaremos duas listas e as armazenaremos em nosso parâmetro "denom". Agora, imprimiremos essa variável para verificar se o sistema nos deu os verdadeiros denominadores ou não. Depois disso, dividiremos nossa soma em movimento com os denominadores e a imprimiremos armazenando a saída na variável "C". Vamos executar nosso código para verificar os resultados.

importar numpy como np
a = [1,2,3,4,5]
b = np.compor (a, np.Ones_like (a))
Print ("Moving Sum", b)
Denom = List (intervalo (1,5)) + Lista (intervalo (5,0, -1)))
Imprimir ("denominadores", denom
c = np.compor (a, np.Ones_like (a)) / denom
Imprimir ("média móvel", c)

Após a execução bem -sucedida do nosso código, obteremos a seguinte saída. Na primeira linha, imprimimos a “soma em movimento”. Podemos ver que temos "1" no início e "5" no final da matriz, assim como tivemos em nossa matriz original. O restante dos números são as somas de diferentes elementos de nossa matriz.

Por exemplo, seis no terceiro índice da matriz vem da adição de 1,2 e 3 da nossa matriz de entrada. Dez no quarto índice vem de 1,2,3 e 4. Quinze vem de resumir todos os números juntos, e assim por diante. Agora, na segunda linha de nossa saída, imprimimos os denominadores de nossa matriz.

De nossa saída, podemos ver que todos os denominadores são exatos, o que significa que podemos dividi -los com nossa matriz de soma em movimento. Agora, vá para a última linha da saída. Na última linha, podemos ver que o primeiro elemento de nossa matriz média móvel é 1. A média de 1 é 1, então nosso primeiro elemento está correto. A média de 1+2/2 será 1.5. Podemos ver que o segundo elemento de nossa matriz de saída é 1.5 Portanto, a segunda média também está correta. A média de 1,2,3 será 6/3 = 2. Também torna nossa saída correta. Portanto, da saída, podemos dizer que calculamos com sucesso a média móvel de uma matriz.

Conclusão

Neste guia, aprendemos sobre as médias móveis: o que é a média móvel, quais são seus usos e como calcular a média móvel. Estudamos em detalhes, tanto de pontos de vista matemáticos quanto de programação. Em Numpy, não há função ou processo específico para calcular a média móvel. Mas existem outras funções diferentes com a ajuda da qual podemos calcular a média móvel. Fizemos um exemplo para calcular a média móvel e descrevemos cada etapa do nosso exemplo. As médias móveis são uma abordagem útil para a previsão de resultados futuros com a ajuda dos dados existentes.