Python的熊猫移动平均滞

Question

考虑以下Python程序：

import pandas as pd 
import seaborn as sns 
import matplotlib.pyplot as plt 

data = [["2017-05-25 22:00:00", 5], 
["2017-05-25 22:05:00", 7], 
["2017-05-25 22:10:00", 9], 
["2017-05-25 22:15:00", 10], 
["2017-05-25 22:20:00", 15], 
["2017-05-25 22:25:00", 20], 
["2017-05-25 22:30:00", 25], 
["2017-05-25 22:35:00", 32]] 

df = pd.DataFrame(data) 
df.columns = ["date", "value"] 
df["date2"] = pd.to_datetime(df["date"],format="%Y-%m-%d %H:%M:%S") 

ts = pd.Series(df["value"].values, index=df["date2"]) 
mean_smoothed = ts.rolling(window=5).mean() 
exp_smoothed = ts.ewm(alpha=0.5).mean() 

h1 = ts.head(8) 
h2 = mean_smoothed.head(8) 
h3 = exp_smoothed.head(8) 
k = pd.concat([h1, h2, h3], join='outer', axis=1) 
k.columns = ["Actual", "Moving Average", "Exp Smoothing"] 
print(k) 

这将打印

     Actual Moving Average Exp Smoothing 
date2              
2017-05-25 22:00:00  5    NaN  5.000000 
2017-05-25 22:05:00  7    NaN  6.333333 
2017-05-25 22:10:00  9    NaN  7.857143 
2017-05-25 22:15:00  10    NaN  9.000000 
2017-05-25 22:20:00  15    9.2  12.096774 
2017-05-25 22:25:00  20   12.2  16.111111 
2017-05-25 22:30:00  25   15.8  20.590551 
2017-05-25 22:35:00  32   20.4  26.317647 

绘制的曲线图

plt.figure(figsize=(16,5)) 
plt.plot(ts, label="Original") 
plt.plot(mean_smoothed, label="Moving Average") 
plt.plot(exp_smoothed, label="Exponentially Weighted Average") 
plt.legend() 
plt.show() 

两个移动平均（MA ）和指数平滑（ES）引入滞后：在上面的例子MA中，需要5个值来预测第6个值是什么。但是，如果您查看表格，MA列中只有4个NaN值，第5个值已经是非NaN值（=第一个预测值）。

问题：如何在图中绘制这些值，以便正确保留滞后？看ES，它实际上更明显一点：ES应该从t = 2开始，但是开始但立即开始。

Answer 1

您似乎误解了移动平均线。对于MA（5），需要5个数据点来计算。一旦得到第5点，可以使用第1-5点计算第5点的平均值。所以你应该只有4个NaN。

如果你想改变你的数据，你可以尝试：

df.shift(n) # n is an integer

无论是-1转移的实际，或1

Here转变一切的文档吧。

Answer 2

插值应该可以解决这个问题。

import pandas as pd 
import seaborn as sns 
import matplotlib.pyplot as plt 

data = [["2017-05-25 22:00:00", 5], 
["2017-05-25 22:05:00", 7], 
["2017-05-25 22:10:00", 9], 
["2017-05-25 22:15:00", 10], 
["2017-05-25 22:20:00", 15], 
["2017-05-25 22:25:00", 20], 
["2017-05-25 22:30:00", 25], 
["2017-05-25 22:35:00", 32]] 

df = pd.DataFrame(data) 
df.columns = ["date", "value"] 
df["date2"] = pd.to_datetime(df["date"],format="%Y-%m-%d %H:%M:%S") 

ts = pd.Series(df["value"].values, index=df["date2"]) 
mean_smoothed = ts.rolling(window=5).mean() 
###### NEW ######### 
mean_smoothed[0]=ts[0] 
mean_smoothed.interpolate(inplace=True) 
#################### 
exp_smoothed = ts.ewm(alpha=0.5).mean() 

h1 = ts.head(8) 
h2 = mean_smoothed.head(8) 
h3 = exp_smoothed.head(8) 
k = pd.concat([h1, h2, h3], join='outer', axis=1) 
k.columns = ["Actual", "Moving Average", "Exp Smoothing"] 
print(k) 


plt.figure(figsize=(16,5)) 
plt.plot(ts, label="Original") 
plt.plot(mean_smoothed, label="Moving Average") 
plt.plot(exp_smoothed, label="Exponentially Weighted Average") 
plt.legend() 
plt.show()