Метод mean аксессора ewm

Метод mean применяется к объекту EWM, который возвращается аксессором ewm, и вычисляет экспоненциально взвешенное среднее для данных. Метод полезен для анализа временных рядов, сглаживания данных и выявления трендов. В качестве параметров можно указать числовые значения для настройки сглаживания.

Синтаксис

df.ewm(span=None, alpha=None, com=None, adjust=True).mean()

Основные параметры метода ewm:

span - период сглаживания (чем больше, тем сильнее сглаживание)
alpha - коэффициент сглаживания (0 < alpha < 1)
com - центр масс (com = (1 - alpha) / alpha)
adjust - логический флаг, управляющий формулой расчёта

Пример

Рассмотрим базовое применение метода для экспоненциального сглаживания данных:

import pandas as pd

df = pd.DataFrame({
	'a': [1, 2, 4, 8, 16],
	'b': [10, 20, 30, 40, 50]
})
res = df.ewm(alpha=0.3).mean()
print(res)

Результат выполнения кода:

  a	 b
		0  1.000000  10.0
		1  1.461538  17.5
		2  2.527273  23.5
		3  4.236364  29.5
		4  7.812727  36.7

Пример

Используем параметр span для задания периода сглаживания вместо alpha:

import pandas as pd

df = pd.DataFrame({
	'a': [5, 7, 9, 11, 13],
	'b': [100, 200, 300, 400, 500]
})
res = df.ewm(span=3).mean()
print(res)

Результат выполнения кода:

  a	  b
		0  5.00  100.0
		1  6.00  150.0
		2  7.50  225.0
		3  9.25  337.5
		4 11.12  506.2

Пример

Применим метод к отдельной колонке таблицы с использованием параметра adjust:

import pandas as pd

df = pd.DataFrame({
	'a': [1, 3, 5, 7, 9],
	'b': [2, 4, 6, 8, 10]
})
res = df['a'].ewm(alpha=0.5, adjust=False).mean()
print(res)

Результат выполнения кода:

0	1.000
1	2.000
2	3.500
3	5.250
4	7.125
dtype: float64

Смотрите также

метод std,
который вычисляет экспоненциально взвешенное стандартное отклонение
метод var,
который вычисляет экспоненциально взвешенную дисперсию
метод corr,
который вычисляет экспоненциально взвешенную корреляцию между рядами
метод cov,
который вычисляет экспоненциально взвешенную ковариацию между рядами