Moving Average - Pandas

Hinzufügen möchte ich, dass ein gleitender Durchschnitt die Berechnung zu meinem exchange-time-Serie.

Ursprünglichen Daten von Quandl

Exchange = Quandl.get("BUNDESBANK/BBEX3_D_SEK_USD_CA_AC_000", authtoken="xxxxxxx")

    Value
Date               
1989-01-02  6.10500
1989-01-03  6.07500
1989-01-04  6.10750
1989-01-05  6.15250
1989-01-09  6.25500
1989-01-10  6.24250
1989-01-11  6.26250
1989-01-12  6.23250
1989-01-13  6.27750
1989-01-16  6.31250

Berechnung Moving Avarage

MovingAverage = pd.rolling_mean(Exchange,5)

              Value
Date          
1989-01-02      NaN
1989-01-03      NaN
1989-01-04      NaN
1989-01-05      NaN
1989-01-09  6.13900
1989-01-10  6.16650
1989-01-11  6.20400
1989-01-12  6.22900
1989-01-13  6.25400
1989-01-16  6.26550

Möchte ich hinzufügen des berechneten Gleitenden Durchschnitt, wie eine neue Spalte auf der rechten Seite nach 'Wert' mit dem gleichen index (Datum). Vorzugsweise würde ich auch gerne umbenennen der berechneten gleitenden Durchschnitt, um 'MA'

InformationsquelleAutor der Frage Martin598 | 2016-10-15

  1. 30

    Den rolling bedeuten, gibt eine Series müssen Sie nur fügen Sie eine neue Spalte in Ihrer DataFrame ( MA ), wie unten beschrieben.

    Informationen, die rolling_mean Funktion ist veraltet pandas in neueren Versionen. Ich habe die neue Methode in meinem Beispiel, siehe unten ein Zitat aus der pandas Dokumentation

    Warnung Vor version 0.18.0, pd.rolling_*, pd.expanding_*, und pd.ewm* wurden von Modul-level-Funktionen und sind nun veraltet. Diese werden ersetzt durch die Verwendung der Rolling, Expanding und EWM. Objekte und einen entsprechenden Aufruf der Methode.

    df['MA'] = df.rolling(window=5).mean()

print(df)
#             Value    MA
# Date                   
# 1989-01-02   6.11   NaN
# 1989-01-03   6.08   NaN
# 1989-01-04   6.11   NaN
# 1989-01-05   6.15   NaN
# 1989-01-09   6.25  6.14
# 1989-01-10   6.24  6.17
# 1989-01-11   6.26  6.20
# 1989-01-12   6.23  6.23
# 1989-01-13   6.28  6.25
# 1989-01-16   6.31  6.27

    InformationsquelleAutor der Antwort Romain

  2. 4

    Den Fall, Sie sind bei der Berechnung mehr als ein gleitender Durchschnitt:

    for i in range(2,10):
   df['MA{}'.format(i)] = df.rolling(window=i).mean()

    Dann kann man ein Aggregat Durchschnitt aller MA

    df[[f for f in list(df) if "MA" in f]].mean(axis=1)

    InformationsquelleAutor der Antwort chrisckwong821

  3. 0

    Einen gleitenden Durchschnitt auch berechnet und visualisiert werden direkt in ein Diagramm mit dem folgenden code:

    Beispiel mit Lager-Preis Daten:

    import pandas_datareader.data as web
import matplotlib.pyplot as plt
import datetime
plt.style.use('ggplot')

# Input variables
start = datetime.datetime(2016, 1, 01)
end = datetime.datetime(2018, 3, 29)
stock = 'WFC'

# Extrating data
df = web.DataReader(stock,'morningstar', start, end)
df = df['Close']

print df 

plt.plot(df['WFC'],label= 'Close')
plt.plot(df['WFC'].rolling(9).mean(),label= 'MA 9 days')
plt.plot(df['WFC'].rolling(21).mean(),label= 'MA 21 days')
plt.legend(loc='best')
plt.title('Wells Fargo\nClose and Moving Averages')
plt.show()

    Tutorial auf wie dies zu tun: https://youtu.be/XWAPpyF62Vg

    InformationsquelleAutor der Antwort Martin598

Schreibe einen Kommentar