„„ Pandy ”, które są biblioteką„ Python ”, zapewnia wiele wbudowanych funkcji, które pomagają nam w wykonaniu różnych zadań, wykorzystując te funkcje. Daje różne metody, które wykorzystaliśmy do obliczenia średniego ruchu. Jest wykorzystywany do analizy informacji o seriach czasowych poprzez generowanie średnich odrębnych podzbiorów całego zestawu danych. Możemy również użyć średniej nazwy w miejscu średniej ruchomej. Z informacjami o seriach czasowych średnia ruchoma jest zwykle wykorzystywana do przechwytywania krótkoterminowych zmian, jednocześnie koncentrując się na dłuższych trendach. Omówimy wszystkie jego metody w tym przewodniku i wyjaśnimy, jak to działa w „Pandy”."
Metody średniej ruchomej
„Pandy” ułatwiają nam trzy odrębne metody tej metody „średniej ruchomej pandy”. Omówimy również szczegółowo wszystkie trzy metody w tym przewodniku. Te metody to:
Przejdźmy do praktycznej demonstracji wszystkich tych metod w kodzie „pandy” tutaj.
Przykład nr 01
Ponieważ używamy narzędzia „Spyder” do praktycznego wykorzystania tych metod w „Pandy”. Aby zastosować metodę „średniej ruchomej”, musimy utworzyć ramkę danych w „Pandy”. W tym celu najpierw generujemy tutaj słownik, który nazywa się „grupa_data”, i wprowadzamy „grupa_leader”, w którym wprowadza się „Olive, Rowan, Julian, Howard, Novard, Juli, Ella i Ava”. Następnie mamy „przełożonego”, który zawiera „Amina, Asher, Felix, William, Bromley, Nora, Collins i Freya”. Następnie umieściliśmy „Prezentację”, która zawiera znaki prezentacji, które są „15, 18, 16, 10, 19, 11, 15 i 14”. Mamy również „zadania”, w których dodaliśmy znaki zadań, a oceny te to „29, 26, 25, 27, 28, 28, 25 i 26”.
Po znakach przypisania dodaliśmy wewnętrzne znaki w „wewnętrznym”, które są „5, 6, 9, 8, 5, 7, 2 i 6”. Następnie musimy przekonwertować ten słownik „grupy_data” na „grupę_df”. W tym celu zastosowaliśmy metodę „pandy”, która pomaga nam przekształcić słownik w ramkę danych. Ta metoda to „PD.DataFrame () ”tutaj i wprowadzamy w nim nazwę słownika jako parametr. Następnie drukujemy „grupa_df” za pomocą metody „print ()”.
Uruchamiamy ten kod w narzędziu „Spyder”, osiągając „Shift+Enter”. Po wykonaniu powyższego kodu, na terminalu wyświetlany jest wyświetlany na terminalu. Teraz pójdziemy naprzód i zastosujemy metodę średnią ruchomą do kolumn tegofrukcji danych.
Używamy tutaj „prostej średniej ruchomej” i zastosowaliśmy tę prostą średnią ruchomą na dwóch kolumnach DataFrame. Przechowujemy wartości w zmiennej „grupa_df1”, którą otrzymujemy po zastosowaniu średniej toczenia w dwóch kolumnach. Te dwie kolumny są dodawane po umieszczeniu nazwy ramki danych w dwóch nawiasach kwadratowych. Te dwie kolumny to „prezentacja i zadania” tutaj. Następnie umieszczamy okno toczenia, które jest tutaj „2”, a następnie używamy metody „Mean ()”. To przewracające okno jest wykorzystywane do przyjmowania średnich w określonej liczbie przedziałów czasowych. Następnie „grupa_df1” jest dodawana do metody „print ()” do drukowania na terminalu.
Wartości, które otrzymujemy po zastosowaniu średniej przenoszenia lub przeciętnej metody do kolumn „Prezentacja” i „przypisania”, są wyświetlane poniżej. Wyświetlane tutaj wartości to średnia ruchoma obu kolumn.
Przykład nr 02
Ponownie wykorzystujemy „grupa_df” i tym razem stosujemy „wykładniczą średnią ruchomą”. Kiedy chcemy zastosować wykładniczą średnią ruchomą, wykorzystujemy metodę „ewm ()”. W tej metodzie „ewm ()” musimy przekazać wartość „rozpiętości”. Stosujemy tę metodę w kolumnie „interwał” i zapisujemy nowe wartości w kolumnie „EWM_30”, która jest również dodawana do tej „grupy_df” po zastosowaniu metody „ewm ()”. Wartość „rozpiętości”, którą tutaj ustawiamy, to „30”, a także umieszczamy metodę „Mean ()” z tą metodą „ewm ()”.
Przed zastosowaniem metody „ewm ()” i po zastosowaniu metody „ewm ()” jest wyświetlana tutaj. Kolumna „EWM_30” jest dodawana w poniższej ramie danych, która jest tutaj tworzona do przechowywania średniej ruchomej kolumny kolumny „przedziałów” po zastosowaniu metody „ewm ()” do tej kolumny.
Przykład nr 03
Biblioteki „Pandy” i „Numpy” są tutaj importowane, ponieważ musimy wykorzystać metody obu bibliotek w „Pandy”. Utworzona przez nas tutaj strumienia danych zawiera cztery kolumny. Pierwsza kolumna „cola” zawiera „0, 1, 2, 3, 4, NP.Nan, 7, NP.nan i 9 ”. „Colb” jest tutaj, w którym dodaliśmy „7, 8, 9, 10, 4, 17, 14, 12 i 22”. Następnie mamy „Colc”, w którym umieściliśmy „10, 21, 12, NP.Nan, 14, 15, 17, 11 i 33 ”. „Zimno” jest teraz dodawane, w którym wstawiliśmy „20, 31, 2, 14, 11, NP.Nan, 24, 10 i NP.nan ”.
Następnie używamy „print (df)”, który wydrukuje tenframe danych. Zastosujemy średnią ruchomą, ale najpierw wyświetlimy tenframe danych tutaj.
Przed zastosowaniem jakiejkolwiek metody średniej ruchomej jest renderowana poniżej. Możesz łatwo zauważyć, że wszystkie kolumny są wyświetlane tutaj. Teraz zastosujemy średnią ruchomą na wszystkich tych kolumnach i wyświetlimy wynik.
Stosujemy tutaj prostą średnią ruchomą lub toczącą się i wiemy, że musimy przekazać wartość okienka w tej metodzie toczenia. Tak więc przekazujemy tutaj „2”, a następnie stosujemy metodę „sum ()” za pomocą tej metody średniej ruchomej. Zapisaliśmy wartości, które otrzymujemy po zastosowaniu metody „Rolling ()” do kolumn; Wartości „cola” są przechowywane w wartościach „suma a”, „colb” w wartościach „suma b” i „colc” w wartościach „suma c”, a także „zimne” wartości w zmiennej „suma d”.
Zastosowaliśmy również metodę „Fillna ()” tutaj i przekazaliśmy „0” jako parametr, który zmieni wszystkie wartości zerowe, które otrzymamy po zastosowaniu metody toczenia na „0” i przechowujemy nową ramkę danych w „DF2” i Wyświetla także „DF2”. Uruchom ten kod i zobaczysz wynik po zastosowaniu tych średnich ruchomych do wszystkich kolumn osobno.
Oto wynik tego kodu, w którym wyświetlane są wartości, które otrzymujemy po zastosowaniu metody „Rolling ()” we wszystkich kolumnach i wyświetlaniu wartości ruchomych w nowej kolumnie. Następnie zastępuje wszystkie wartości zerowe „0”, a także wyświetla nową ramkę danych poniżej, która zawiera „0” w miejscu „nan”, które są wartościami zerowymi.
Przykład nr 04
Możemy również obliczyć średnie ruchome pliku CSV po odczytaniu danych do pliku. Tutaj czytamy „kursy.plik CSV ”, umieszczając„ PD.Metoda read_csv () ”, a następnie przechowywanie danych jakoFrame w„ Courses_df ”. Stosujemy tutaj metodę „skumulowaną średnią ruchomą”. W tej metodzie nie musimy dodawać stałego rozmiaru okna, ponieważ rozmiar okna zmienia się z czasem. Aby to wykorzystać, musimy umieścić metodę „rozszerzającą ()”, a po tym umieszczamy „Mean ()”. Zastosowaliśmy tę metodę do kolumny „rabat”, która jest obecna w pliku CSV i zapisaliśmy wynik w kolumnie „średnia_cma”.
Rama danych, którą uzyskaliśmy po przeczytaniu „kursów.plik CSV ”jest renderowany najpierw. Następnie stosuje się tutaj skumulowaną metodę średniej ruchomej, a wynik, który otrzymamy po zastosowaniu tej metody, jest również wyświetlany w kolumnie „średnia_cma”.
Wniosek
W tym przewodniku szczegółowo omówiono koncepcję „średniej ruchomej” „pandy”. Omówiliśmy trzy różne metody, które wykorzystaliśmy w „Pandy” do obliczania „średniego ruchu”. Zastosowaliśmy wszystkie trzy metody osobno w naszych przykładach i wyjaśniliśmy, jak działają te metody i jak stosować te metody w „Pandzie”. Zastosowaliśmy te metody do kolumn po utworzeniu tutaj, a także zastosowaliśmy tę metodę do danych pliku CSV po odczytaniu pliku CSV. Wyjaśniliśmy tutaj wszystkie metody.