Estou escrevendo uma função de média móvel que usa a função convolve em numpy, que deve ser equivalente a uma (média móvel ponderada). Quando meus pesos são todos iguais (como em uma média aritmética simples), ele funciona bem: No entanto, quando eu tento usar uma média ponderada em vez do (para os mesmos dados) 3.667,4.667,5.667,6.667. Eu espero, eu recebo Se eu remover a bandeira válida, eu nem vejo os valores corretos. Gostaria realmente de usar convolve para o WMA, bem como MA como faz o código mais limpo (mesmo código, pesos diferentes) e caso contrário eu acho que eu tenho que percorrer todos os dados e tomar fatias. Quaisquer idéias sobre este eixo comportamento numpy. average ao longo do qual a média. Se Nenhum. A média é feita sobre o arranjo achatado. Pesos. Arraylike, optional Uma matriz de pesos associados com os valores em a. Cada valor em a contribui para a média de acordo com seu peso associado. A matriz de pesos pode ser 1-D (caso em que seu comprimento deve ser o tamanho de um ao longo do eixo dado) ou da mesma forma como a. Se weightsNone. Então todos os dados em um são assumidos para ter um peso igual a um. devolvida . Bool, opcional O padrão é False. Se for verdade . A tupla (média de sumofweights) é retornada, caso contrário apenas a média é retornada. Se weightsNone. Sumofweights é equivalente ao número de elementos sobre os quais a média é tomada. Média, sumofweights. Arraytype ou double Retorna a média ao longo do eixo especificado. Quando retornado é True. Retorna uma tupla com a média como o primeiro elemento ea soma dos pesos como o segundo elemento. O tipo de retorno é Float se a for de tipo inteiro, caso contrário ele é do mesmo tipo que a. Sumofweights é do mesmo tipo que a média. numpy. convolve Retorna a convolução discreta e linear de duas seqüências unidimensionais. O operador de convolução é frequentemente visto no processamento de sinais, onde modela o efeito de um sistema linear invariante no tempo em um sinal R17. Na teoria da probabilidade, a soma de duas variáveis aleatórias independentes é distribuída de acordo com a convolução de suas distribuições individuais. Se v for maior que a. Os arrays são trocados antes da computação. Primeiro array de entrada unidimensional. Segunda matriz de entrada unidimensional. Por padrão, o modo é 8216full8217. Isso retorna a convolução em cada ponto de sobreposição, com uma forma de saída de (NM-1,). Nos pontos finais da convolução, os sinais não se sobrepõem completamente, e os efeitos de fronteira podem ser vistos. O modo 8216same8217 retorna a saída do comprimento máximo (M, N). Os efeitos dos limites ainda são visíveis. O modo 8216valid8217 retorna a saída de comprimento máximo (M, N) - min (M, N) 1. O produto de convolução só é dado para pontos onde os sinais se sobrepõem completamente. Os valores fora do limite do sinal não têm efeito. Convolução linear discreta de a e v. Scipy. signal. fftconvolve Convolve dois arrays usando a Transformada de Fourier Rápida. Scipy. linalg. toeplitz Usado para construir o operador de convolução. Multiplicação polinomial. A mesma saída que convolve, mas também aceita objetos poly1d como entrada. A operação de convolução discreta é definida como: Pode ser mostrado que uma convolução no tempo / espaço é equivalente à multiplicação no domínio de Fourier, após o preenchimento apropriado (preenchimento é necessário para evitar a convolução circular). Como a multiplicação é mais eficiente (mais rápida) do que a convolução, a função scipy. signal. fftconvolve explora a FFT para calcular a convolução de grandes conjuntos de dados. Os exemplos a seguir produzem uma média móvel dos valores WINDOW anteriores. Nós truncar o primeiro (WINDOW -1) valores desde que can8217t encontrar a média antes deles. (O comportamento padrão para convolução é assumir que os valores antes do início de nossa seqüência são 0). (Mais formalmente, construímos a seqüência y para a seqüência x onde yi (xi x (i1) 8230. x (in)) / n) Isso faz uso da função de convolução numpy8217s. Esta é uma operação de média móvel de propósito geral. A alteração de ponderações torna alguns valores mais importantes a compensação apropriadamente permite que você visualize a média em torno do ponto em vez de antes do ponto. Em vez de truncar os valores, podemos corrigir os valores iniciais no lugar, como ilustrado neste exemplo: Como este: Related Post navigation Deixe uma resposta Cancelar resposta Obrigado pela dica, achei útil Você tem um pequeno erro no seu exemplo de valor fixo inicial : 8220extendeddata8221 deve ser o que está sendo convolvido, não 8220data8221. Obrigado por descobrir que o I8217ve alterou o exemplo. Boa gorjeta, obrigado. Eu sabia que tinha que haver uma maneira otimizada para numpy calcular médias de rolamento. Dos docs (docs. scipy. org/doc/numpy/reference/generated/numpy. convolve), parece que sua receita pode ser ainda mais concisa usando a palavra-chave mode8221valid8221 em vez de cortar: gtgtgt WINDOW 10 gtgtgt data 1,2 , 3,4,5,5,5,5,5,5,5,5,5,5,5 gtgtgt ponderações numpy. repeat (1.0, WINDOW) / WINDOW gtgtgt numpy. convolve (dados, ponderações) WINDOW-1 (4. 4.4, 4.7, 4.9, 5. 5.) gtgtgt numpy. convolve (dados, pesos, 8216valid8217) array (4. 4.4, 4.7, 4.9, 5. 5.) Nossa primeira Passo é traçar um gráfico mostrando as médias de dois arrays. Let8217s criar duas matrizes xey, e plotá-los. X será de 1 a 10. E y terá esses mesmos elementos em uma ordem aleatória. Isso nos ajudará a verificar que, na verdade, nossa média está correta. Let8217s randomizar a ordem de nossos elementos em y mais uma vez e traçar novamente: Com relação a y ver como a média móvel se comporta: No próximo tutorial vamos traçar as médias móveis. Compartilhe isso: Como este: Related Post navigation Deixe uma resposta Cancelar resposta d bloggers gostam deste:
No comments:
Post a Comment