我正在尝试使用 R 计算矩阵中一系列值的移动平均值。R 中似乎没有内置函数可以让我计算移动平均线。是否有任何套餐提供一个？还是我需要自己写？
问问题
301790 次
17 回答
236
或者您可以简单地使用过滤器计算它，这是我使用的函数：
ma <- function(x, n = 5){filter(x, rep(1 / n, n), sides = 2)}
如果使用dplyr，请注意在上面的函数中指定stats::filter。
于 2011-02-01T12:06:50.387 回答
33
使用cumsum应该是充分和有效的。假设你有一个向量x并且你想要n 个数字的运行总和
cx <- c(0,cumsum(x))
rsum <- (cx[(n+1):length(cx)] - cx[1:(length(cx) - n)]) / n
正如@mzuther 在评论中指出的那样，这假设数据中没有 NA。处理这些需要将每个窗口除以非 NA 值的数量。这是一种方法，结合了@Ricardo Cruz 的评论：
cx <- c(0, cumsum(ifelse(is.na(x), 0, x)))
cn <- c(0, cumsum(ifelse(is.na(x), 0, 1)))
rx <- cx[(n+1):length(cx)] - cx[1:(length(cx) - n)]
rn <- cn[(n+1):length(cx)] - cn[1:(length(cx) - n)]
rsum <- rx / rn
这仍然存在一个问题，如果窗口中的所有值都是 NA，那么将出现除以零错误。
于 2015-08-12T20:26:21.840 回答
31
在data.table 1.12.0中添加了新frollmean函数来计算快速和精确的滚动平均值，仔细NA处理NaN和+Inf值-Inf。
由于问题中没有可重复的示例，因此这里没有更多要解决的问题。
您可以在手册中找到有关的更多信息?frollmean，也可以在线获取?frollmean。
以下手册中的示例：
library(data.table)
d = as.data.table(list(1:6/2, 3:8/4))
# rollmean of single vector and single window
frollmean(d[, V1], 3)
# multiple columns at once
frollmean(d, 3)
# multiple windows at once
frollmean(d[, .(V1)], c(3, 4))
# multiple columns and multiple windows at once
frollmean(d, c(3, 4))
## three above are embarrassingly parallel using openmp
于 2018-12-22T15:00:29.947 回答
12
该caTools软件包具有非常快速的滚动平均值/最小值/最大值/标准差和其他一些功能。我只使用过runmean并且runsd它们是迄今为止提到的任何其他软件包中最快的。
于 2013-08-21T17:11:53.500 回答
10
您可以使用RcppRoll用 C++ 编写的非常快速的移动平均线。只需调用该roll_mean函数。文档可以在这里找到。
否则，这个（较慢的）for循环应该可以解决问题：
ma <- function(arr, n=15){
res = arr
for(i in n:length(arr)){
res[i] = mean(arr[(i-n):i])
}
res
}
于 2015-01-16T14:49:35.207 回答
7
事实上RcppRoll非常好。
cantdutchthis发布的代码必须在第四行更正到窗口被修复：
ma <- function(arr, n=15){
res = arr
for(i in n:length(arr)){
res[i] = mean(arr[(i-n+1):i])
}
res
}
这里给出了另一种处理缺失的方法。
第三种方法，改进cantdutchthis代码以计算或不计算部分平均值，如下：
ma <- function(x, n=2,parcial=TRUE){
res = x #set the first values
if (parcial==TRUE){
for(i in 1:length(x)){
t<-max(i-n+1,1)
res[i] = mean(x[t:i])
}
res
}else{
for(i in 1:length(x)){
t<-max(i-n+1,1)
res[i] = mean(x[t:i])
}
res[-c(seq(1,n-1,1))] #remove the n-1 first,i.e., res[c(-3,-4,...)]
}
}
于 2016-03-13T02:02:15.557 回答
7
下面是示例代码，展示了如何使用zoo包中的函数计算居中移动平均线和尾随移动平均线。rollmean
library(tidyverse)
library(zoo)
some_data = tibble(day = 1:10)
# cma = centered moving average
# tma = trailing moving average
some_data = some_data %>%
mutate(cma = rollmean(day, k = 3, fill = NA)) %>%
mutate(tma = rollmean(day, k = 3, fill = NA, align = "right"))
some_data
#> # A tibble: 10 x 3
#> day cma tma
#> <int> <dbl> <dbl>
#> 1 1 NA NA
#> 2 2 2 NA
#> 3 3 3 2
#> 4 4 4 3
#> 5 5 5 4
#> 6 6 6 5
#> 7 7 7 6
#> 8 8 8 7
#> 9 9 9 8
#> 10 10 NA 9
于 2020-04-23T03:59:27.933 回答
5
为了补充 cantdutchthis和Rodrigo Remedio 的答案；
moving_fun <- function(x, w, FUN, ...) {
# x: a double vector
# w: the length of the window, i.e., the section of the vector selected to apply FUN
# FUN: a function that takes a vector and return a summarize value, e.g., mean, sum, etc.
# Given a double type vector apply a FUN over a moving window from left to the right,
# when a window boundary is not a legal section, i.e. lower_bound and i (upper bound)
# are not contained in the length of the vector, return a NA_real_
if (w < 1) {
stop("The length of the window 'w' must be greater than 0")
}
output <- x
for (i in 1:length(x)) {
# plus 1 because the index is inclusive with the upper_bound 'i'
lower_bound <- i - w + 1
if (lower_bound < 1) {
output[i] <- NA_real_
} else {
output[i] <- FUN(x[lower_bound:i, ...])
}
}
output
}
# example
v <- seq(1:10)
# compute a MA(2)
moving_fun(v, 2, mean)
# compute moving sum of two periods
moving_fun(v, 2, sum)
于 2017-06-29T14:22:55.180 回答
3
您可以计算x窗口宽度为的向量的移动平均值k：
apply(embed(x, k), 1, mean)
于 2020-09-17T20:51:16.913 回答
2
滑块包可用于此。它的界面经过专门设计，感觉类似于 purrr。它接受任意函数，并且可以返回任何类型的输出。数据帧甚至可以逐行迭代。pkgdown 站点在这里。
library(slider)
x <- 1:3
# Mean of the current value + 1 value before it
# returned as a double vector
slide_dbl(x, ~mean(.x, na.rm = TRUE), .before = 1)
#> [1] 1.0 1.5 2.5
df <- data.frame(x = x, y = x)
# Slide row wise over data frames
slide(df, ~.x, .before = 1)
#> [[1]]
#> x y
#> 1 1 1
#>
#> [[2]]
#> x y
#> 1 1 1
#> 2 2 2
#>
#> [[3]]
#> x y
#> 1 2 2
#> 2 3 3
滑块和 data.table 的开销frollapply()应该非常低（比动物园快得多）。frollapply()对于这里的这个简单示例，看起来要快一些，但请注意，它只接受数字输入，并且输出必须是标量数值。滑块函数是完全通用的，您可以返回任何数据类型。
library(slider)
library(zoo)
library(data.table)
x <- 1:50000 + 0L
bench::mark(
slider = slide_int(x, function(x) 1L, .before = 5, .complete = TRUE),
zoo = rollapplyr(x, FUN = function(x) 1L, width = 6, fill = NA),
datatable = frollapply(x, n = 6, FUN = function(x) 1L),
iterations = 200
)
#> # A tibble: 3 x 6
#> expression min median `itr/sec` mem_alloc `gc/sec`
#> <bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt> <dbl>
#> 1 slider 19.82ms 26.4ms 38.4 829.8KB 19.0
#> 2 zoo 177.92ms 211.1ms 4.71 17.9MB 24.8
#> 3 datatable 7.78ms 10.9ms 87.9 807.1KB 38.7
于 2020-03-24T18:43:12.413 回答
2
编辑：非常高兴地添加side参数，例如Date向量过去 7 天的移动平均值（或总和，或...）。
对于只想自己计算的人来说，无非是：
# x = vector with numeric data
# w = window length
y <- numeric(length = length(x))
for (i in seq_len(length(x))) {
ind <- c((i - floor(w / 2)):(i + floor(w / 2)))
ind <- ind[ind %in% seq_len(length(x))]
y[i] <- mean(x[ind])
}
y
但是让它独立于 会很有趣mean()，因此您可以计算任何“移动”函数！
# our working horse:
moving_fn <- function(x, w, fun, ...) {
# x = vector with numeric data
# w = window length
# fun = function to apply
# side = side to take, (c)entre, (l)eft or (r)ight
# ... = parameters passed on to 'fun'
y <- numeric(length(x))
for (i in seq_len(length(x))) {
if (side %in% c("c", "centre", "center")) {
ind <- c((i - floor(w / 2)):(i + floor(w / 2)))
} else if (side %in% c("l", "left")) {
ind <- c((i - floor(w) + 1):i)
} else if (side %in% c("r", "right")) {
ind <- c(i:(i + floor(w) - 1))
} else {
stop("'side' must be one of 'centre', 'left', 'right'", call. = FALSE)
}
ind <- ind[ind %in% seq_len(length(x))]
y[i] <- fun(x[ind], ...)
}
y
}
# and now any variation you can think of!
moving_average <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = mean, side = side, na.rm = na.rm)
}
moving_sum <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = sum, side = side, na.rm = na.rm)
}
moving_maximum <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = max, side = side, na.rm = na.rm)
}
moving_median <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = median, side = side, na.rm = na.rm)
}
moving_Q1 <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = quantile, side = side, na.rm = na.rm, 0.25)
}
moving_Q3 <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = quantile, side = side, na.rm = na.rm, 0.75)
}
于 2020-07-18T17:50:21.220 回答
1
虽然有点慢，但您也可以使用 zoo::rollapply 对矩阵执行计算。
reqd_ma <- rollapply(x, FUN = mean, width = n)
其中 x 是数据集，FUN = mean 是函数；您也可以将其更改为 min、max、sd 等，width 是滚动窗口。
于 2018-09-11T04:34:26.353 回答
1
可以使用runner包来移动功能。在这种情况下mean_run功能。问题cummean在于它不处理NA值，但mean_run可以。runner包还支持不规则的时间序列和窗口可以依赖于日期：
library(runner)
set.seed(11)
x1 <- rnorm(15)
x2 <- sample(c(rep(NA,5), rnorm(15)), 15, replace = TRUE)
date <- Sys.Date() + cumsum(sample(1:3, 15, replace = TRUE))
mean_run(x1)
#> [1] -0.5910311 -0.2822184 -0.6936633 -0.8609108 -0.4530308 -0.5332176
#> [7] -0.2679571 -0.1563477 -0.1440561 -0.2300625 -0.2844599 -0.2897842
#> [13] -0.3858234 -0.3765192 -0.4280809
mean_run(x2, na_rm = TRUE)
#> [1] -0.18760011 -0.09022066 -0.06543317 0.03906450 -0.12188853 -0.13873536
#> [7] -0.13873536 -0.14571604 -0.12596067 -0.11116961 -0.09881996 -0.08871569
#> [13] -0.05194292 -0.04699909 -0.05704202
mean_run(x2, na_rm = FALSE )
#> [1] -0.18760011 -0.09022066 -0.06543317 0.03906450 -0.12188853 -0.13873536
#> [7] NA NA NA NA NA NA
#> [13] NA NA NA
mean_run(x2, na_rm = TRUE, k = 4)
#> [1] -0.18760011 -0.09022066 -0.06543317 0.03906450 -0.10546063 -0.16299272
#> [7] -0.21203756 -0.39209010 -0.13274756 -0.05603811 -0.03894684 0.01103493
#> [13] 0.09609256 0.09738460 0.04740283
mean_run(x2, na_rm = TRUE, k = 4, idx = date)
#> [1] -0.187600111 -0.090220655 -0.004349696 0.168349653 -0.206571573 -0.494335093
#> [7] -0.222969541 -0.187600111 -0.087636571 0.009742884 0.009742884 0.012326968
#> [13] 0.182442234 0.125737145 0.059094786
于 2019-10-27T08:09:56.113 回答
1
这是一个简单的函数，filter演示了一种使用填充处理开始和结束 NA 的方法，并filter使用自定义权重计算加权平均值（由 支持）：
wma <- function(x) {
wts <- c(seq(0.5, 4, 0.5), seq(3.5, 0.5, -0.5))
nside <- (length(wts)-1)/2
# pad x with begin and end values for filter to avoid NAs
xp <- c(rep(first(x), nside), x, rep(last(x), nside))
z <- stats::filter(xp, wts/sum(wts), sides = 2) %>% as.vector
z[(nside+1):(nside+length(x))]
}
于 2020-07-19T23:55:36.683 回答
0
vector_avg <- function(x){
sum_x = 0
for(i in 1:length(x)){
if(!is.na(x[i]))
sum_x = sum_x + x[i]
}
return(sum_x/length(x))
}
于 2020-07-16T12:11:49.693 回答
0
我使用聚合以及由 rep() 创建的向量。这具有使用 cbind() 一次在数据框中聚合多于 1 列的优点。以下是长度为 1000 的向量 (v) 的移动平均值为 60 的示例：
v=1:1000*0.002+rnorm(1000)
mrng=rep(1:round(length(v)/60+0.5), length.out=length(v), each=60)
aggregate(v~mrng, FUN=mean, na.rm=T)
请注意，rep 中的第一个参数是根据向量的长度和要平均的数量，简单地为移动范围获取足够的唯一值；第二个参数保持长度等于向量长度，最后一个参数重复第一个参数的值与平均周期相同的次数。
总的来说，您可以使用多个函数（中值、最大值、最小值） - 例如所示的平均值。同样，可以使用带有 cbind 的公式在数据框中的多个（或所有）列上执行此操作。
于 2020-12-07T15:17:15.937 回答