Pandas移动平均（Moving Average）介绍|极客教程

Pandas移动平均（Moving Average）介绍

在本文中，我们将介绍 Pandas 中的移动平均算法。移动平均是统计学中常用的一种平均值计算方式，它可以用来平滑时间序列数据，以便更清晰地观察数据的整体走势，同时也可以用于对数据进行预测。

在 Pandas 中，我们可以使用 rolling() 方法来计算移动平均。rolling() 方法返回一个 Rolling 对象，它表示对 DataFrame 或 Series 数据进行滚动计算的窗口对象。我们可以在这个窗口对象上调用 mean() 方法来计算移动平均值。下面是一个示例代码：

import pandas as pd

# 创建数据集
data = pd.DataFrame([1,2,3,4,5,6,7,8,9,10], columns=['value'])

# 计算移动平均
rolling_mean = data['value'].rolling(window=3).mean()

在上面的代码中，我们创建了一个数据集 data，包含了一个 value 列，表示时间序列数据中每个时间点上的数值。然后，我们使用 rolling(window=3) 方法创建了一个大小为 3 的滚动窗口对象，并调用 mean() 方法计算滚动窗口内数据的平均值。rolling_mean 则表示计算出来的移动平均值。

阅读更多：Pandas 教程

计算移动平均的应用场景

移动平均可以广泛应用于时间序列数据分析中的各种场景。下面我们将介绍几个常见的应用场景：

趋势分析

移动平均可以用于分析数据的趋势，识别长期趋势和短期波动。例如，在金融行业中，我们可以使用移动平均来分析股票价格的走势。下面是一个示例代码：

import pandas as pd
import matplotlib.pyplot as plt

# 加载数据集
stock_prices = pd.read_csv('stock.csv', index_col=0, parse_dates=True)

# 计算20日移动平均
rolling_mean = stock_prices['Close'].rolling(window=20).mean()

# 绘制图表
plt.plot(stock_prices['Close'], label='原始数据')
plt.plot(rolling_mean, label='20日移动平均')
plt.legend()
plt.show()

在上面的代码中，我们加载了一个名为 stock.csv 的股票价格数据集，并使用 rolling(window=20) 方法计算了 20 日移动平均。然后，我们绘制了股票价格与移动平均线的图表，可视化出数据的长期趋势。

数据平滑

移动平均可以用于平滑噪声干扰的时间序列数据，以便更好地观察数据的整体走势。例如，在气象学中，我们可以使用移动平均来平滑气温、降雨量等数据。下面是一个示例代码：

import pandas as pd
import matplotlib.pyplot as plt

# 加载数据集
weather_data = pd.read_csv('weather.csv', index_col=0, parse_dates=True)

# 计算7日移动平均
rolling_mean = weather_data['Temperature'].rolling(window=7).mean()

# 绘制图表
plt.plot(weather_data['Temperature'], label='原始数据')
plt.plot(rolling_mean, label='7日移动平均')
plt.legend()
plt.show()

在上面的代码中，我们加载了一个名为 weather.csv 的气象数据集，并使用 rolling(window=7) 方法计算了 7 日移动平均。然后，我们绘制了气温数据与移动平均线的图表，可视化出气温数据的趋势。

预测分析

移动平均可以用于对时间序列数据进行简单的预测，可以基于过去的数据值来预测未来的趋势。例如，在销售数据分析中，我们可以使用移动平均来预测某个产品的未来销售量。下面是一个示例代码：

import pandas as pd

# 加载数据集
sales_data = pd.read_csv('sales.csv', index_col=0, parse_dates=True)

# 计算3月移动平均
rolling_mean = sales_data['Sales'].rolling(window=3).mean()

# 预测4月销售量
last_value = sales_data['Sales'][-1]
prediction = last_value * rolling_mean[-1] / rolling_mean[-2]

print('预测4月销售量是:', prediction)