pandas.DataFrame.ewm

DataFrame.ewm(com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) [source]

Предоставляет функции экспоненциально взвешенного скользящего среднего

Новая в версии 0.18.0.

Параметры:

com : float, необязательно Указывает затухание по центру масс, \(\alpha = 1 / (1 + com),\text{ для } com \geq 0\) span : float, необязательно Указывает затухание по интервалу, \(\alpha = 2 / (span + 1),\text{ для } span \geq 1\) halflife : float, необязательно Указывает затухание по периоду полураспада, \(\alpha = 1 - exp(log(0.5) / halflife),\text{ для } halflife > 0\) alpha : float, необязательно Указывает коэффициент сглаживания \(\alpha\) напрямую, \(0 < \alpha \leq 1\) Новая в версии 0.18.0. min_periods : int, по умолчанию 0 Минимальное количество наблюдений в окне, необходимое для получения значения (в противном случае результат — NaN). freq : None или строковый псевдоним / объект сдвига дат, по умолчанию None Устарело начиная с версии 0.18.0: Частота для соответствия перед вычислением статистики adjust : boolean, по умолчанию True Деление на коэффициент затухания в начальных периодах для учета дисбаланса в относительных весах (восприятие EWMA как скользящего среднего) ignore_na : boolean, по умолчанию False Игнорирование пропущенных значений при вычислении весов; укажите True, чтобы воспроизвести поведение до версии 0.15.0

Возвращает:

подкласс Window для конкретной операции

Примечания

Должен быть указан ровно один из параметров: центр масс, интервал, период полураспада и альфа. Допустимые значения и взаимосвязь между параметрами указаны в описаниях параметров выше; подробное объяснение см. по ссылке в конце этого раздела.

Ключевое слово freq используется для приведения временных рядов к заданной частоте путем ресемплирования данных. Это делается с параметрами по умолчанию resample() (т.е. с использованием mean).

Когда adjust равно True (по умолчанию), взвешенные средние вычисляются с использованием весов (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.

Когда adjust равно False, взвешенные средние вычисляются рекурсивно как:

weighted_average[0] = arg[0]; weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].

Когда ignore_na равно False (по умолчанию), веса основаны на абсолютных позициях. Например, веса x и y, используемые для вычисления конечного взвешенного среднего [x, None, y], равны (1-alpha)**2 и 1 (если adjust равно True), и (1-alpha)**2 и alpha (если adjust равно False).

Когда ignore_na равно True (воспроизведение поведения до версии 0.15.0), веса основаны на относительных позициях. Например, веса x и y, используемые для вычисления конечного взвешенного среднего [x, None, y], равны 1-alpha и 1 (если adjust равно True), и 1-alpha и alpha (если adjust равно False).

Более подробную информацию можно найти по адресу http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows

Примеры

>>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})
     B
0  0.0
1  1.0
2  2.0
3  NaN
4  4.0

>>> df.ewm(com=0.5).mean()
          B
0  0.000000
1  0.750000
2  1.615385
3  1.615385
4  3.670213