python - 如何使用 pandas 计算加权移动平均值

Question

使用熊猫我可以计算

• 简单移动平均 SMA 使用pandas.stats.moments.rolling_mean
• 指数移动平均 EMA 使用pandas.stats.moments.ewma

但是我如何计算加权移动平均线 (WMA)，如维基百科http://en.wikipedia.org/wiki/Exponential_smoothing中所述......使用熊猫？

是否有用于计算 WMA 的 pandas 函数？

Answer 1

使用 pandas，您可以使用以下方法计算加权移动平均值 (wma)：
.rolling()结合.apply()

这是一个具有 3 个权重和 window=3的示例：

data = {'colA': random.randint(1, 6, 10)}
df = pd.DataFrame(data)

weights = np.array([0.5, 0.25, 0.25])
sum_weights = np.sum(weights)

df['weighted_ma'] = (df['colA']
    .rolling(window=3, center=True)
    .apply(lambda x: np.sum(weights*x) / sum_weights, raw=False)
)

请注意，在.rolling()我使用了参数center=True。
您应该检查这是否适用于您的用例或是否需要center=False.

Answer 2

不，没有该确切算法的实现。在这里创建了一个关于它的 GitHub 问题：

https://github.com/pydata/pandas/issues/886

我很乐意为此提出拉取请求——实现应该是简单的 Cython 编码，并且可以集成到pandas.stats.moments

Answer 3

如果data是 Pandas DataFrame 或 Series，并且您想在行上计算 WMA，您可以使用

wma = data[::-1].cumsum().sum() * 2 / data.shape[0] / (data.shape[0] + 1)

如果您想要窗口长度的滚动 WMA n，请使用

data.rolling(n).apply(lambda x: x[::-1].cumsum().sum() * 2 / n / (n + 1))

作为n = x.shape[0]. 请注意，此解决方案可能比 Sander van den Oord 的解决方案慢一些，但您不必担心权重。

Answer 4

使用权重构造一个内核，并使用numpy.convolve.

import pandas as pd
import numpy as np

def wma(arr, period):
    kernel = np.arange(period, 0, -1)
    kernel = np.concatenate([np.zeros(period - 1), kernel / kernel.sum()])
    return np.convolve(arr, kernel, 'same')

df = pd.DataFrame({'value':np.arange(11)})
df['wma'] = wma(df['value'], 4)

在这里，我根据此页面解释 WMA：https ://en.wikipedia.org/wiki/Moving_average

对于这种类型的 WMA，权重应该是 n 值的线性范围，加起来为 1.0。

请注意，我用零填充内核的前面。这是因为我们想要一个“单面”窗口函数，以便时间序列中的“未来”值不会影响移动平均线。

numpy.convolve快，不像apply()！numpy.correlate如果您反转内核，您也可以使用。