Promedio móvil numpy

Antes de comenzar nuestro tema, comprendamos cuál es el promedio móvil. En estadísticas, un promedio móvil es una técnica para calcular y analizar los puntos de datos. Calcula los puntos de datos haciendo una serie de un promedio de diferentes subconjuntos de un conjunto de datos completo. Por lo tanto, un promedio móvil es una medida que atrapa el cambio típico en una serie de información a lo largo del tiempo. Mover es uno de los indicadores de análisis técnicos más flexibles y utilizados con frecuencia. Dado que es tan simple de usar, los inversores profesionales lo emplean como un medio de un cierto conjunto de datos en estadísticas. También podemos calcular un promedio móvil en un período más corto utilizándolo en datos diarios o minuciosos.Por ejemplo: al determinar un promedio móvil de 10 días, en nuestro caso, resumiremos los precios de cierre de cualquiera de los diez días anteriores y dividiremos el resultado por diez. Al día siguiente, también calcularemos el precio en los últimos diez días, lo que significa que no calcularemos el precio del primer día. Preferirá ser reemplazado por nuestro precio ayer. Los datos cambian de esta manera con cada día en movimiento, se conoce como el promedio móvil por este motivo. El propósito del promedio móvil es determinar el inicio de una tendencia, luego seguir su progreso y también informar su reversión en caso de que ocurra. La fórmula para calcular el promedio móvil es FT = (DT1+DT2+DT3 ...+DTN)/N. Donde dt es demanda en el período t y ft se pronostica en el tiempo t.

Sintaxis:

Podemos calcular el promedio móvil de varias maneras que son los siguientes:

Método 1:

Numpy. cumsum ()

Devuelve la suma de elementos en la matriz dada. Podemos calcular el promedio móvil dividiendo la salida de cumsum () por el tamaño de la matriz.

Método 2:

Numpy.mamá.promedio()

Tiene los siguientes parámetros.

R: datos en forma de matriz que se promediarán.

Eje: su tipo de datos es int y es un parámetro opcional.

Peso: también es una matriz y un parámetro opcional. Puede tener la misma forma que una forma 1-D. En el caso de un dimensional, debe tener una longitud igual que la de la matriz "A".

Tenga en cuenta que parece que no hay una función estándar en Numpy para calcular el promedio móvil, por lo que puede hacerse con otros métodos.

Método 3:

Otro método que se puede utilizar para calcular el promedio móvil es:

notario público.convolir (a, v, mode = 'completo')

En esta sintaxis, A es la primera entrada dimensional y V es el segundo valor dimensional de entrada. El modo es el valor opcional, puede ser completo, igual y válido.

Ejemplo # 01:

Ahora, para explicar más sobre el promedio móvil en Numpy, dé un ejemplo. En este ejemplo, eliminaremos el promedio móvil de una matriz con la función de convolir de Numpy. Entonces, tomaremos una matriz "A" con 1,2,3,4,5 como elementos. Ahora, llamaremos al NP.Convolucionar la función y almacenar su salida en nuestra variable "B". Después de eso, imprimiremos el valor de nuestra variable "B". Esta función calculará la suma móvil de nuestra matriz de entrada. Imprimiremos la salida para ver si nuestra salida es correcta o no.

Después de eso, convertiremos nuestra salida a la promedio móvil utilizando el mismo método de convolir. Para calcular el promedio móvil, solo tendremos que dividir la suma móvil por el número de muestras. Pero el principal problema aquí es que, como este es un promedio móvil, el número de muestras sigue cambiando dependiendo de la ubicación en la que estamos. Entonces, para resolver ese problema, simplemente crearemos una lista de los denominadores y debemos convertir esto en un promedio.

Para ese propósito, hemos inicializado otra variable "denom" para el denominador. Es simple para la comprensión de la lista utilizando el truco de rango. Nuestra matriz tiene cinco elementos diferentes, por lo que el número de muestras en cada lugar irá de uno a cinco y luego volverá de cinco a uno. Entonces, simplemente agregaremos dos listas juntas y las almacenaremos en nuestro parámetro "denom". Ahora, imprimiremos esta variable para verificar si el sistema nos ha dado los verdaderos denominadores o no. Después de eso, dividiremos nuestra suma móvil con los denominadores e imprimiremos almacenando la salida en la variable "C". Ejecutemos nuestro código para verificar los resultados.

importar numpy como np
a = [1,2,3,4,5]
B = NP.convolir (a, np.One_like (a))
Imprimir ("Suma móvil", b)
denom = list (rango (1,5)) + lista (rango (5,0, -1))
Imprimir ("denominadores", denom)
C = NP.convolir (a, np.One_like (a)) / denom
imprimir ("promedio móvil", c)

Después de la ejecución exitosa de nuestro código, obtendremos la siguiente salida. En la primera línea, hemos imprimido la "suma móvil". Podemos ver que tenemos "1" al comienzo y "5" al final de la matriz, al igual que tuvimos en nuestra matriz original. El resto de los números son las sumas de diferentes elementos de nuestra matriz.

Por ejemplo, seis en el tercer índice de la matriz proviene de agregar 1,2 y 3 de nuestra matriz de entrada. Diez en el cuarto índice proviene de 1,2,3 y 4. Quince proviene de sumar todos los números juntos, y así sucesivamente. Ahora, en la segunda línea de nuestra salida, hemos impreso a los denominadores de nuestra matriz.

Desde nuestra salida, podemos ver que todos los denominadores son exactos, lo que significa que podemos dividirlos con nuestra matriz de suma móvil. Ahora, muévase a la última línea de la salida. En la última línea, podemos ver que el primer elemento de nuestra matriz de promedio móvil es 1. El promedio de 1 es 1, por lo que nuestro primer elemento es correcto. El promedio de 1+2/2 será 1.5. Podemos ver que el segundo elemento de nuestra matriz de salida es 1.5 Entonces el segundo promedio también es correcto. El promedio de 1,2,3 será 6/3 = 2. También hace que nuestra salida sea correcta. Entonces, desde la salida, podemos decir que hemos calculado con éxito el promedio móvil de una matriz.

Conclusión

En esta guía, aprendimos sobre promedios móviles: qué es el promedio móvil, qué son sus usos y cómo calcular el promedio móvil. Lo estudiamos en detalle desde los puntos de vista matemáticos y de programación. En Numpy, no existe una función o proceso específico para calcular el promedio móvil. Pero hay otras funciones diferentes con la ayuda de las cuales podemos calcular el promedio móvil. Hicimos un ejemplo para calcular el promedio móvil y describimos cada paso de nuestro ejemplo. Los promedios móviles son un enfoque útil para pronosticar resultados futuros con la ayuda de los datos existentes.