一文带你深入了解Python中的二次移动平均法

来源：jb51　　时间：2023/2/2 9:08:59　　对本文有异议

二次移动平均法逻辑

二次移动平均法是一种重要的数学工具，用于处理时间序列数据，它的主要目的是通过平滑序列中的噪音数据来更好地捕捉趋势。

具体实现：

计算第一个二次移动平均数，这通常是简单移动平均数（SMA）。
使用以下公式计算每个时间步的二次移动平均数：

EMA_t?=α×y_t?+(1−α)×EMA_t−1?

其中EMA_t表示时间步t的二次移动平均数，y_t表示时间步t的数据点，α表示权重系数，它一般设置为2/(n+1)，其中n表示窗口长度。

Python代码实现

下面是一个用 python 实现的二次移动平均法的代码示例：

def ema(data, window):
    alpha = 2 / (window + 1)
    ema = [data[0]]
    for i in range(1, len(data)):
        ema.append(alpha * data[i] + (1 - alpha) * ema[-1])
    return ema
 
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
window = 5
ema_data = ema(data, window)
print(ema_data)

运行代码，得到如下输出。

第二种实现二次移动平均法的方式

另一种写法是直接使用 NumPy 的函数 numpy.convolve() 实现二次移动平均法。具体如下：

import numpy as np
 
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
window = 5
 
def double_moving_average(data, window=2):
    return np.convolve(data, np.ones(window) / window, 'valid')
 
ema_data = double_moving_average(data, window)
print(ema_data)

这里的 data 变量表示输入的数据， window 变量表示窗口大小，这个代码实现了二次移动平均法的功能，可以得到移动平均值数组。

第三种卷积实现二次移动平均法

第三种方法是使用卷积，在 Python 中可以使用 Numpy 实现：

import numpy as np
 
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
window = 5
 
def moving_average_2(data, window=3):
    cumsum_vec = np.cumsum(np.insert(data, 0, 0))
    ma = (cumsum_vec[window:] - cumsum_vec[:-window]) / window
    return np.concatenate((np.zeros(window - 1), ma))
 
ema_data = moving_average_2(data, window)
print(ema_data)