python - python中的加权移动平均线

Question

我以基本上随机的时间间隔对数据进行了采样。我想使用 numpy(或其他 python 包)计算加权移动平均值。我有一个移动平均线的粗略实现，但我无法找到一种执行加权移动平均线的好方法，因此靠近 bin 中心的值的权重大于靠近边缘的值。

在这里，我生成了一些示例数据，然后取了一个移动平均值。如何最轻松地实现加权移动平均线？谢谢!

import numpy as np
import matplotlib.pyplot as plt

#first generate some datapoint for a randomly sampled noisy sinewave
x = np.random.random(1000)*10
noise = np.random.normal(scale=0.3,size=len(x))
y = np.sin(x) + noise

#plot the data
plt.plot(x,y,'ro',alpha=0.3,ms=4,label='data')
plt.xlabel('Time')
plt.ylabel('Intensity')

#define a moving average function
def moving_average(x,y,step_size=.1,bin_size=1):
    bin_centers  = np.arange(np.min(x),np.max(x)-0.5*step_size,step_size)+0.5*step_size
    bin_avg = np.zeros(len(bin_centers))

    for index in range(0,len(bin_centers)):
        bin_center = bin_centers[index]
        items_in_bin = y[(x>(bin_center-bin_size*0.5) ) & (x<(bin_center+bin_size*0.5))]
        bin_avg[index] = np.mean(items_in_bin)

    return bin_centers,bin_avg

#plot the moving average
bins, average = moving_average(x,y)
plt.plot(bins, average,label='moving average')

plt.show()

输出:

根据 crs17 的建议，在 np.average 函数中使用“weights=”，我想出了加权平均函数，它使用高斯函数对数据进行加权:

def weighted_moving_average(x,y,step_size=0.05,width=1):
    bin_centers  = np.arange(np.min(x),np.max(x)-0.5*step_size,step_size)+0.5*step_size
    bin_avg = np.zeros(len(bin_centers))

    #We're going to weight with a Gaussian function
    def gaussian(x,amp=1,mean=0,sigma=1):
        return amp*np.exp(-(x-mean)**2/(2*sigma**2))

    for index in range(0,len(bin_centers)):
        bin_center = bin_centers[index]
        weights = gaussian(x,mean=bin_center,sigma=width)
        bin_avg[index] = np.average(y,weights=weights)

    return (bin_centers,bin_avg)

结果看起来不错:

Answer 1

你可以使用 numpy.average它允许您指定权重:

>>> bin_avg[index] = np.average(items_in_bin, weights=my_weights)

因此，要计算权重，您可以找到 bin 中每个数据点的 x 坐标，并计算它们到 bin 中心的距离。