python 滑动平均

滑动平均是一种常用的数据平滑技术，可以用于去除数据中的噪声和波动，以便更好地呈现数据的趋势和变化。在Python中，可以使用Pandas库来实现滑动平均。

下面是一个简单的示例，演示如何使用Pandas库来计算滑动平均：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 创建一个随机数据集
data = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))

# 计算滑动平均
rolling_mean = data.rolling(window=50).mean()

# 绘制原始数据和滑动平均曲线
plt.plot(data, label='raw data')
plt.plot(rolling_mean, label='rolling mean', color='red')
plt.legend()
plt.show()

在上面的示例中，我们首先创建了一个随机数据集，然后使用`rolling()`函数计算了滑动平均。`rolling()`函数接受一个`window`参数，表示滑动窗口的大小。在这个示例中，我们将滑动窗口的大小设置为50。最后，我们使用Matplotlib库绘制了原始数据和滑动平均曲线。

相关问题

python滑动平均

滑动平均是一种常用的数据平滑技术，可以用于平滑时间序列数据。在Python中，可以使用NumPy库来实现滑动平均。

下面是一个简单的示例代码，演示如何使用NumPy实现滑动平均：

import numpy as np

def moving_average(data, window_size):
    weights = np.repeat(1.0, window_size) / window_size
    return np.convolve(data, weights, 'valid')

# 示例数据
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

# 滑动窗口大小
window_size = 3

# 计算滑动平均
smoothed_data = moving_average(data, window_size)

print("原始数据:", data)
print("滑动平均结果:", smoothed_data)

在上面的代码中，我们定义了一个`moving_average`函数，该函数接受两个参数：`data`是输入的时间序列数据，`window_size`是滑动窗口的大小。函数内部使用`np.convolve`函数来进行卷积计算，实现滑动平均。

运行上述代码，将会输出以下结果：

原始数据: [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
滑动平均结果: [2. 3. 4. 5. 6. 7. 8.]

可以看到，滑动平均将每个窗口内的数据取平均值，得到了平滑后的结果。

python滑动平均滤波

滑动平均滤波是一种常用的信号处理技术，用于平滑数据序列，减少噪声的影响。在Python中，可以使用以下代码实现滑动平均滤波：

def moving_average(data, window_size):
    window = [0] * window_size
    filtered_data = []

    for i in range(len(data)):
        window.pop(0)
        window.append(data[i])
        average = sum(window) / window_size
        filtered_data.append(average)

    return filtered_data

上述代码中的`data`是要进行滤波的数据序列，`window_size`是窗口大小，即用于计算平均值的数据点个数。函数会返回滤波后的数据序列`filtered_data`。

可以使用以下代码示例来测试上述函数：

data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
window_size = 3

filtered_data = moving_average(data, window_size)
print(filtered_data)

运行结果将输出滤波后的数据序列：[1.0, 1.5, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]。