pandas.Series.ewm

Series.ewm(com=None, span=None, halflife=None, alpha=None, min_periods=0, adjust=True, ignore_na=False, axis=0, times=None, method='single')[source]

Предоставление экспоненциальных взвешенных (EW) вычислений.

Должен быть предоставлен ровно один из com, span, halflife, или alpha, если times не предоставлен. Если times предоставлен, halflife и один из com, span или alpha могут быть предоставлены.

Parameters

com:float, optional

Указывает затухание в терминах центра масс

\(\alpha = 1 / (1 + com)\), для \(com \geq 0\).

span:float, optional

Указывает затухание в терминах размаха

\(\alpha = 2 / (span + 1)\), для \(span \geq 1\).

halflife:float, str, timedelta, optional

Указывает затухание в терминах периода полураспада

\(\alpha = 1 - \exp\left(-\ln(2) / halflife\right)\), для \(halflife > 0\).

Если times указан, единица времени, в течение которой наблюдение распадается до половины своего значения. Применимо только к mean(), и значение halflife не будет применяться к другим функциям.

New in version 1.1.0.

alpha:float, optional

Непосредственно указывает коэффициент сглаживания \(\alpha\)

\(0 < \alpha \leq 1\).

min_periods:int, default 0

Минимальное количество наблюдений в окне, необходимое для получения значения; в противном случае результат np.nan.

adjust:bool, default True

Деление на коэффициент затухающего корректирования в начальных периодах для учета дисбаланса в относительных весах (восприятие EWMA как скользящей средней).

ignore_na:bool, default False

Игнорирование пропущенных значений при вычислении весов.

axis:{0, 1}, default 0

Если 0 или 'index', вычисление выполняется по строкам.

Если 1 или 'columns', вычисление выполняется по столбцам.

Для Series этот параметр не используется и по умолчанию равен 0.

times:str, np.ndarray, Series, default None

method:str {‘single’, ‘table’}, default ‘single’

Returns

ExponentialMovingWindow subclass

See also

rolling

Предоставляет вычисления скользящего окна.

expanding

Предоставляет расширяющие преобразования.

Notes

См. Операции с окном для получения дополнительных подробностей и примеров.

Examples

>>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]})
>>> df
     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
>>> df.ewm(alpha=2 / 3).mean()
          B
0  0.000000
1  0.750000
2  1.615385
3  1.615385
4  3.670213

adjust

>>> df.ewm(com=0.5, adjust=True).mean()
          B
0  0.000000
1  0.750000
2  1.615385
3  1.615385
4  3.670213
>>> df.ewm(com=0.5, adjust=False).mean()
          B
0  0.000000
1  0.666667
2  1.555556
3  1.555556
4  3.650794

ignore_na

>>> df.ewm(com=0.5, ignore_na=True).mean()
          B
0  0.000000
1  0.750000
2  1.615385
3  1.615385
4  3.225000
>>> df.ewm(com=0.5, ignore_na=False).mean()
          B
0  0.000000
1  0.750000
2  1.615385
3  1.615385
4  3.670213

times

Экспоненциально взвешенное среднее со весами, рассчитанными с помощью timedelta halflife относительно times.

>>> times = ['2020-01-01', '2020-01-03', '2020-01-10', '2020-01-15', '2020-01-17']
>>> df.ewm(halflife='4 days', times=pd.DatetimeIndex(times)).mean()
          B
0  0.000000
1  0.585786
2  1.523889
3  1.523889
4  3.233686