博客

机器学习——滑动窗口

  滑动窗口，为了提升数据的准确性，将某个点的取值扩大到包含这个点的一段区间，用区间来进行判断，这个区间就是窗口。滑动窗口就是能够根据指定的单位长度来框住时间序列，从而计算框内的统计指标。相当于一个长度指定的滑块在刻度尺上面滑动，每滑动一个单位即可反馈滑块内的数据。
1、pandas里常用的滑动窗口函数：rolling

用法举例：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

#数据准备
v = np.random.randn(200)
tx = pd.Series(v)
tx.index = pd.date_range('2018-1-01', periods = 200, freq = "d")
#print("tx", "-" * 20, "\n", tx)

w = np.random.randn(200)
ty = pd.Series(w)
ty.index = pd.date_range('2019-1-01', periods = 200, freq = "d")
#print("ty", "-" * 20, "\n", ty)

rm = tx.rolling(window = 5, center = False).mean()
rn = tx.rolling(window = 5, center = False).median()
rm.plot()
rn.plot()
tx.plot()
plt.show()

2、扩展滑动窗口函数：expanding()

  该算子可以看做一个扩展的窗口，最开始窗口为1，聚合一次之后，窗口位置不变，但是大小增加1，直到窗口的覆盖整个序列：

eg:

a=tx.expanding().mean()
a.plot()
tx.plot()
plt.show()

3、指数加权函数滑动窗口：ewm（）
  ewm算子可以计算指数加权平均值的计算，具体的说来，就是更近观测的数值具有更高的权重，对于ewm指定权重的方式即指定跨度（span）
  由于给近期的观测值更高的权重，与等权重相比，它对变化适应的更快


eg：

ma60 = tx.rolling(30,min_periods=20).mean()
#简单平均
ewma60 = tx.ewm(span=30).mean()
#指数加权平均
ma60.plot(label="Simple MA")
ewma60.plot(label="EWM MA")
plt.legend()
plt.show()

4、二元移动窗口函数
eg：

spx_rets = tx.pct_change()
returns = tx.pct_change()
#在我们调用rolling后，corr聚合函数会去计算spx_rets的滚动相关性（rolling correlation）

corr = returns.rolling(30,min_periods=10).corr(spx_rets)
corr.plot()
plt.show()

5、用户定义的移动窗口函数：rolling_apply（）

• 通过rolling().apply()方法，可以在移动窗口上使用自己定义的函数。

from scipy.stats import percentileofscore
score_at_2percent = lambda x:percentileofscore(x,0.02)
result = returns['AAPL'].rolling(window=250).apply(score_at_2percent)
result.plot(figsize=(10,3))