带numpy.convolve的加权移动平均
我正在写一个移动平均函数，它使用numpy中的卷积函数，它应该相当于一个（加权移动平均）。当我的权重都相等时（就像在一个简单的算术平均值中一样），它工作得很好：
data = numpy.arange(1,11)
numdays = 5
w = [1.0/numdays]*numdays
numpy.convolve(data,w,'valid')
给予
array([ 3., 4., 5., 6., 7., 8.])
w = numpy.cumsum(numpy.ones(numdays,dtype=float),axis=0); w = w/numpy.sum(w)
array([ 2.33333333, 3.33333333, 4.33333333, 5.33333333, 6.33333333,
7.33333333])
对这种行为有什么看法吗？
共有1个答案
您想要的是np.correlate在卷积中，第二个参数基本上是颠倒的，这样您预期的结果将是np.convolve(data，w[::-1],'valid')。
-
问题内容： 我正在写一个使用numpy中的卷积函数的移动平均函数，它应该等效于（加权移动平均）。当我的权重全部相等时（如简单的算术平均值），它可以正常工作： 给 但是，当我尝试使用加权平均值时 而不是（对于相同的数据）3.667,4.667,5.667,6.667，…我希望，我得到 如果删除“有效”标志，则什至看不到正确的值。我真的很想对WMA和MA使用convolve，因为它可以使代码更整洁（相
-
问题内容： 我正在为Pyspark中的时间序列编写异常检测算法。我想计算（-3,3）或（-4,4）窗口的加权移动平均值。现在，我正在使用滞后和超前窗口功能，并将它们乘以一组权重。我的窗口当前是（-2,2）。 我想知道是否有另一种方法可以计算Pyspark中的加权移动平均值。 我正在使用的当前代码是： 问题答案： 您可以概括当前的代码： 它可以用作： 注意事项 ： 您可能会考虑将滞后缺失的帧的结果标
-
问题内容： 像下面的熊猫一样，如何在NumPy中获得指数加权移动平均值？ 我用NumPy尝试了以下 但是结果却与大熊猫不同。 是否有更好的方法直接在NumPy中计算指数加权移动平均值并获得与完全相同的结果？ 在对熊猫解决方案提出60,000个请求时，我得到了大约230秒。我敢肯定，使用纯NumPy可以大大减少这种情况。 问题答案： 更新于08/06/2019 大型输入的纯，快速和保护的解决方案 用
-
我试着在处理过程中创建平滑的运动，但它现在不起作用，我不知道为什么它不起作用。我是一名编程初学者，所以在解释时不要让我觉得太复杂：）。这个角色现在移动非常缓慢，我不能同时按下多个按钮，如果有人能帮助我，那就太好了。提前谢谢你。 这是主代码页
-
我正在尝试优化一个程序，该程序需要在数据流的每个位置（字节）为数据流中的恒定大小窗口计算哈希。在比可用RAM大得多的磁盘文件中查找重复时需要它。目前我为每个窗口计算单独的md5哈希，但它花费了很多时间（窗口大小为几千字节，因此每个数据字节被处理几千次）。我想知道是否有一种方法可以在恒定（与窗口大小无关）时间内计算每个后续哈希（例如移动平均中1个元素的加减）？哈希函数可以是任何东西，只要它不提供长哈