威尔斯·怀尔德的移动平均线 pandas

Question

我正在尝试计算熊猫数据框中 Welles Wilder 的移动平均线类型（也称为累积移动平均线）。

计算系列 'n' 周期 'A' 的 Wilder 移动平均线的方法是：

计算'A'中前'n'个值的平均值，并设置为'n'位置的平均值。
对于以下值，使用加权 (n-1) 的先前平均值和加权 1 的系列的当前值，然后全部除以 'n'。

我的问题是：如何以矢量化的方式实现它？

我尝试在数据帧上进行迭代（不推荐我阅读的内容，因为速度很慢）。它有效，值正确，但我收到错误

SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame

这可能不是最有效的方法。

到目前为止我的代码：

import pandas as pd
import numpy as np

#Building Random sample:
datas = pd.date_range('2020-01-01','2020-01-31')
np.random.seed(693)
A = np.random.randint(40,60, size=(31,1))
df = pd.DataFrame(A,index = datas, columns = ['A'])

period = 12 # Main parameter
initial_mean = A[0:period].mean() # Equation for the first value.

size = len(df.index)
df['B'] = np.full(size, np.nan)
df.B[period-1] = initial_mean

for x in range(period, size):
    df.B[x] = ((df.A[x] + (period-1)*df.B[x-1]) / period) # Equation for the following values. 

print(df)

Answer 1

您可以使用 Pandas ewm() 方法，它的行为与您在 adjust=False:

时描述的完全一样

When adjust is False, weighted averages are calculated recursively as:
weighted_average[0] = arg[0];
weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i]

如果您想对第一个周期项进行简单平均，您可以先进行计算，然后将 ewm() 应用于结果。

你可以用第一个 period 项的平均值计算一个系列，然后是其他项目逐字重复，公式为：

pd.Series(
    data=[df['A'].iloc[:period].mean()],
    index=[df['A'].index[period-1]],
).append(
    df['A'].iloc[period:]
)

因此，为了计算 Wilder 移动平均线并将其存储在新列中 'C'，您可以使用：

df['C'] = pd.Series(
    data=[df['A'].iloc[:period].mean()],
    index=[df['A'].index[period-1]],
).append(
    df['A'].iloc[period:]
).ewm(
    alpha=1.0 / period,
    adjust=False,
).mean()

此时，你可以计算df['B'] - df['C']，你会发现差异几乎为零（浮点数有一些舍入误差。）所以这相当于你使用循环计算。

您可能需要考虑跳过第一个周期项之间的直接平均值，并简单地从头开始应用 ewm()，这将假定第一行是第一次计算的前一个平均值。结果会略有不同，但是一旦您经历了几个周期，那么这些初始值几乎不会影响结果。

这样计算会更简单:

df['D'] = df['A'].ewm(
    alpha=1.0 / period,
    adjust=False,
).mean()

威尔斯·怀尔德的移动平均线 pandas

Welles Wilder's moving average with pandas

python

pandas

moving-average