Promedio móvil de pandas

"El" Pandas ", que es la biblioteca de" Python ", proporciona muchas funciones incorporadas que nos ayudan a hacer diferentes tareas utilizando fácilmente estas funciones. Proporciona diferentes métodos que hemos utilizado para calcular los promedios móviles. Se utiliza para analizar la información de la serie temporal generando los promedios de subconjuntos distintos de todo el conjunto de datos. También podemos usar el nombre promedio rodante en lugar del promedio móvil. Con la información de la serie temporal, el promedio móvil generalmente se utiliza para capturar variaciones a corto plazo mientras se concentra en tendencias más largas. Discutiremos todos sus métodos en esta guía y explicaremos cómo funciona en "Pandas"."

Métodos para el promedio móvil

El "pandas" nos facilita con tres métodos distintos de este método de "promedio móvil de pandas". También discutiremos en detalle los tres métodos en esta guía. Estos métodos son:

• • Promedio móvil simple.
  • Promedio móvil exponencial.
  • Promedio móvil acumulativo.

Pasemos hacia la demostración práctica de todos estos métodos en el código "pandas" aquí.

Ejemplo # 01

Ya que estamos utilizando la herramienta "Spyder" para utilizar prácticamente estos métodos en "Pandas". Para aplicar el método "promedio móvil", tenemos que crear el marco de datos en "Pandas". Para esto, primero generamos el diccionario aquí, que se llama "group_data", e insertamos "group_leader", en el que se ingresa "Olive, Rowan, Julian, Howard, Novah, Juliet, Ella y Ava". Luego, tenemos "Supervisor", que contiene "Amina, Asher, Felix, William, Bromley, Nora, Collins y Freya". Luego, ponemos "presentación", que contiene las marcas de la presentación que son "15, 18, 16, 10, 19, 11, 15 y 14". También tenemos "tareas", en las que hemos agregado las marcas de las tareas, y esas marcas son "29, 26, 25, 27, 28, 28, 25 y 26".

Después de las marcas de asignación, hemos agregado las marcas internas en "internas", que son "5, 6, 9, 8, 5, 7, 2 y 6" ". Luego tenemos que convertir este diccionario "group_data" en el marco de datos "group_df". Para esto, hemos utilizado el método "pandas", que nos ayuda a convertir el diccionario en DataFrame. Este método es "PD.DataFrame () ”aquí, e ingresamos el nombre del diccionario en él como parámetro. Después de esto, imprimimos el método "Group_DF" utilizando el método "print ()".

Ejecutamos este código en la herramienta "Spyder" al presionar "Shift+Enter". Después de la ejecución del código anterior, DataFrame se muestra en el terminal. Ahora, avanzaremos y aplicaremos el método de promedio móvil a las columnas de este marco de datos.

Estamos utilizando "promedio móvil simple" aquí, y hemos aplicado este promedio móvil simple en dos columnas del marco de datos. Almacenamos los valores en la variable "Group_DF1", que obtenemos después de aplicar el promedio de rodadura en dos columnas. Estas dos columnas se agregan después de colocar el nombre del marco de datos dentro de dos soportes cuadrados. Estas dos columnas son "Presentación y tareas" aquí. Luego colocamos la ventana rodante, que es "2" aquí y luego utilizamos el método "medio ()". Esta ventana rodante se utiliza para tomar los promedios sobre los números predeterminados de los intervalos de tiempo. Después de esto, el "grupo_df1" se agrega en el método "print ()" para imprimir en el terminal.

Los valores que obtenemos después de aplicar el método promedio móvil o enrollable al "presentación" y las columnas de "tareas" se muestran a continuación. Los valores que se muestran aquí son los valores de promedio móvil de ambas columnas.

Ejemplo # 02

Utilizamos nuevamente el "Group_DF", y esta vez estamos aplicando el "promedio móvil exponencial". Cuando queremos aplicar el promedio móvil exponencial, luego utilizamos el método "ewm ()". En este método "ewm ()", tenemos que pasar el valor de "span". Aplicamos este método en la columna "Intervalos" y guardamos los nuevos valores en la columna "EWM_30", que también se agrega a este marco de datos "Group_DF" después de aplicar el método "EWM ()". El valor "Span" que establecemos aquí es "30", y también colocamos el método "medio ()" con este método "ewm ()".

El marco de datos antes de aplicar el método "ewm ()" y después de aplicar el método "ewm ()" se muestra aquí. La columna "EWM_30" se agrega en el cuadro de datos a continuación, que se crea aquí para almacenar los valores de promedio móvil de la columna "Intervalos" después de aplicar el método "EWM ()" a esta columna.

Ejemplo # 03

Las bibliotecas "Pandas" y "Numpy" se importan aquí porque tenemos que utilizar los métodos de ambas bibliotecas en "Pandas". El marco de datos que creamos aquí contiene cuatro columnas. La primera columna, "cola", contiene "0, 1, 2, 3, 4, np.nan, 7, np.nan y 9 ". El "Colb" está aquí en el que hemos agregado "7, 8, 9, 10, 4, 17, 14, 12 y 22". Luego tenemos "colc", en el que ponemos "10, 21, 12, np.nan, 14, 15, 17, 11 y 33 ". El "frío" ahora se agrega en el que hemos insertado "20, 31, 2, 14, 11, np.nan, 24, 10 y np.yaya".

Luego usamos la "impresión (DF)" que imprimirá este marco de datos. Aplicaremos el promedio móvil, pero primero, mostraremos este marco de datos aquí.

El marco de datos antes de aplicar cualquier método de promedio móvil se representa a continuación. Puede tener en cuenta fácilmente que todas las columnas se muestran aquí. Ahora, aplicaremos el promedio móvil en todas estas columnas y mostraremos el resultado.

Estamos aplicando el promedio de móvil o rodamiento simple aquí, y sabemos que tenemos que pasar el valor de la ventana de rodadura en este método de rodadura. Entonces, pasamos "2" aquí, y luego aplicamos el método "Sum ()" con este método de promedio móvil. Hemos almacenado los valores que obtenemos después de aplicar el método "Rolling ()" a las columnas; Los valores de "cola" se almacenan en los valores "Sum A", "COLB" en "Sum B" y los valores "COLC" en "Sum C" y también valores de "Cold" en la variable "Sum D".

También hemos aplicado el método "Fillna ()" aquí y pasamos "0" como el parámetro, que cambiará todos los valores nulos que obtenemos después de aplicar el método de rodadura en "0" y almacenar el nuevo marco de datos en "DF2" y También muestra "DF2". Ejecutemos este código y veremos el resultado después de aplicar estos promedios móviles a todas las columnas por separado.

Aquí está el resultado de este código, en el que se muestran los valores, que obtenemos después de utilizar el método "Rolling ()" en todas las columnas y mostrar los valores de promedio móvil en la nueva columna. Después de esto, reemplaza todos los valores nulos con "0" y también muestra el nuevo DataFrame a continuación, que contiene "0" en el lugar de "Nan", que son valores nulos.

Ejemplo # 04

También podemos calcular los promedios móvil del archivo CSV después de leer los datos en el archivo. Aquí, estamos leyendo los "cursos.Archivo CSV "colocando el" PD.read_csv () "y luego almacenar los datos como el marco de datos en" curses_df ". Estamos aplicando el método "promedio móvil acumulativo" aquí. En este método, no tenemos que agregar el tamaño de la ventana fijo porque el tamaño de la ventana cambia con el tiempo. Para utilizar esto, tenemos que poner el método "expandir ()", y después de esto, colocamos el "medio ()". Hemos aplicado este método a la columna "Descuento", que está presente en el archivo CSV y almacenamos el resultado en la columna "promedio_cma".

El marco de datos que hemos obtenido después de leer los “cursos.El archivo CSV ”se representa primero. Luego, el método de promedio móvil acumulativo se aplica aquí, y el resultado que obtenemos después de aplicar este método también se muestra a continuación en la columna "promedio_cma".

Conclusión

El concepto de "promedio móvil" de "pandas" se discute en detalle en esta guía. Hemos discutido tres métodos diferentes que hemos utilizado en "Pandas" para calcular los "promedios móviles". Hemos aplicado los tres métodos por separado en nuestros ejemplos y hemos explicado cómo funcionan estos métodos y cómo usar estos métodos en "Pandas". Hemos aplicado estos métodos a las columnas después de crear el cuadro de datos aquí, y también hemos aplicado este método a los datos del archivo CSV después de leer el archivo CSV. Hemos explicado todos los métodos en detalle aquí.