pandas.DataFrame.ewm#

DataFrame.ewm(com=None, span=None, halflife=None, alpha=None, min_periods=0, adjust=True, ignore_na=False, times=None, method='single')[源代码]#

提供指数加权（EW）计算。

如果没有提供 times，则必须提供 com、span、halflife 或 alpha 中的一个。如果提供了 times 且 adjust=True，则可以提供 halflife 和 com、span 或 alpha 中的一个。如果提供了 times 且 adjust=False，则 halflife 必须是唯一提供的衰减规范参数。

参数:
com浮点数, 可选

以质心为单位指定衰减

\(\alpha = 1 / (1 + com)\), 对于 \(com \geq 0\)。

span浮点数, 可选

以跨度形式指定衰减

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

halflifefloat, str, timedelta, optional

以半衰期指定衰减

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

如果指定了 times ，则表示一个时间增量可转换单位，在此单位上观测值衰减到其一半的值。仅适用于 mean() ，半衰期值不适用于其他函数。

alpha浮点数, 可选

直接指定平滑因子 \(\alpha\)

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

min_periodsint, 默认 0

窗口中所需的最小观测数以获得一个值；否则，结果为 np.nan。

调整布尔值, 默认为 True

在开始时期通过衰减调整因子进行划分，以解决相对权重的不平衡问题（将EWMA视为移动平均）。

  • 当 ``adjust=True``（默认）时，EW 函数使用权重 \(w_i = (1 - \alpha)^i\) 进行计算。例如，序列 [\(x_0, x_1, ..., x_t\)] 的 EW 移动平均值为：

\[y_t = \frac{x_t + (1 - \alpha)x_{t-1} + (1 - \alpha)^2 x_{t-2} + ... + (1 - \alpha)^t x_0}{1 + (1 - \alpha) + (1 - \alpha)^2 + ... + (1 - \alpha)^t}\]

  • 当 adjust=False 时，指数加权函数是递归计算的：

\[\begin{split}\begin{split} y_0 &= x_0\\ y_t &= (1 - \alpha) y_{t-1} + \alpha x_t, \end{split}\end{split}\]
ignore_nabool, 默认为 False

在计算权重时忽略缺失值。

  • 当 ignore_na=False``（默认）时，权重基于绝对位置。例如，在计算最终加权平均数 [:math:`x_0`, None, :math:`x_2`] 时使用的 :math:`x_0` 和 :math:`x_2` 的权重分别是 :math:`(1-\alpha)^2` 和 :math:`1`（如果 ``adjust=True），以及 \((1-\alpha)^2\) 和 \(\alpha`（如果 ``adjust=False`\)）。

  • 当 ignore_na=True 时，权重基于相对位置。例如，在计算最终加权平均数 [\(x_0\), None, \(x_2\)] 时使用的 \(x_0\) 和 \(x_2\) 的权重分别是 \(1-\alpha\) 和 \(1`（如果 ``adjust=True`\)），以及 \(1-\alpha\) 和 \(\alpha`（如果 ``adjust=False`\)）。

timesnp.ndarray, Series, 默认 None

仅适用于 mean()。

对应于观测的时间。必须是单调递增且为 datetime64[ns] 数据类型。

如果是类似一维数组，则是一个与观测值具有相同形状的序列。

方法str {‘single’, ‘table’}, 默认 ‘single’

Added in version 1.4.0.

对每列或每行执行滚动操作（'single'）或对整个对象执行（'table'）。

只有在方法调用中指定 engine='numba' 时，此参数才实现。

仅适用于 mean()

返回:
pandas.api.typing.ExponentialMovingWindow

一个用于进一步进行指数加权（EW）计算的 ExponentialMovingWindow 实例，例如使用 mean 方法。

参见

rolling

提供滚动窗口计算。

展开

提供扩展变换。

备注

有关进一步的使用细节和示例，请参见 窗口操作。

例子

>>> 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

调整

>>> 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

使用相对于 times 的 timedelta halflife 计算权重的指数加权平均。

>>> 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