当前位置：首页 > article >正文

平滑技术（数据处理，持续更新...）

article 2025/6/8 4:25:10

一.介绍

“平滑”是一种用于减少数据中的短期波动、噪声或者异常值的技术，从而更清晰地揭示数据的长期趋势或周期性特征。

平滑的主要作用：

1.减少噪声。数据中常常包含各种随机噪声或误差，这些误差可能会掩盖数据的真实趋势。平滑可以降低噪声的影响，使数据更加平滑，更容易观察到数据的主要变化趋势。

2.揭示趋势。去除数据中的短期波动，使得长期趋势更加明显。对于理解数据的整体走向和进行长期预测非常重要。

3.数据可视化。平滑后的数据在图表中更容易呈现清晰的曲线或趋势线。

二.常见的平滑方法

移动平均（Moving Average, MA）：
- 原理：计算数据窗口内的平均值，窗口向前移动一个数据点，重复计算。
- 适用场景：适用于短期趋势平滑，常用于金融时间序列分析。
- 公式：简单移动平均（SMA）公式为：
  SMA_t = k分之一西格玛i从0到k-1对x_t-i求和
  其中，k 是窗口大小，xt−i 是时间序列数据。
加权移动平均（Weighted Moving Average, WMA）：
- 原理：赋予不同位置的数据点不同的权重，通常较新的数据点赋予更大的权重。
- 适用场景：当数据的近期变化更重要时，如金融市场的短期预测。
- 公式：
  WMAt=∑i=0k−1wi∑i=0k−1wixt−i
  其中，wi 是权重。
指数平滑（Exponential Smoothing, ES）：
- 原理：赋予数据点递减的权重，越新的数据点权重越大，权重衰减呈指数形式。
- 适用场景：适用于具有趋势和季节性特征的数据。
- 公式：简单指数平滑（SES）公式为：
  ESt=αxt+(1−α)ESt−1
  其中，α 是平滑参数，取值范围在 0 到 1 之间。
Hodrick-Prescott（HP）滤波：
- 原理：通过最小化趋势项和残差项的加权和，将时间序列分解为趋势项和周期项。
- 适用场景：常用于经济学中分离经济时间序列的趋势和周期成分。
Savitzky-Golay 滤波：
- 原理：通过对数据进行局部多项式拟合来平滑数据，保留数据的形状和特征。
- 适用场景：适用于需要保留数据细微特征的平滑处理，如光谱数据分析。

平滑的应用场景

金融数据分析：平滑股票价格、汇率等时间序列数据，帮助识别趋势和信号。
气象数据分析：平滑气温、降水量等气象数据，分析长期气候变化。
销售数据分析：平滑销售数据，预测未来销售趋势。
医学数据分析：平滑生理信号，如心电图（ECG）或脑电图（EEG）数据。

平滑的优缺点

优点：
- 去除噪声，揭示趋势。
- 提高数据可视化效果。
- 简单易实现，适用于多种数据类型。
缺点：
- 可能引入滞后性，影响实时性。
- 过度平滑可能丢失重要的短期信息。

例子：有下面的表格

| 时间 | 价格 |
| -- | --- |
| 1 | 100 |
| 2 | 102 |
| 3 | 98 |
| 4 | 101 |
| 5 | 103 |
| 6 | 105 |
| 7 | 106 |
| 8 | 104 |
| 9 | 102 |
| 10 | 100 |

我们使用简单移动平均（窗口大小为3）对数据进行平滑：

SMA3=3100+102+98=100 SMA4=3102+98+101=100.33S MA5=398+101+103=100.67

平滑后数据如下：

| 时间 | 价格 | SMA (3) |
| -- | --- | ------- |
| 1 | 100 | - |
| 2 | 102 | - |
| 3 | 98 | 100 |
| 4 | 101 | 100.33 |
| 5 | 103 | 100.67 |
| 6 | 105 | 103 |
| 7 | 106 | 104.67 |
| 8 | 104 | 105 |
| 9 | 102 | 104 |
| 10 | 100 | 102 |

三.应用

1.移动平均的应用1：填充缺失值

import numpy as npdef simple_moving_average_fill(data, window_size):"""使用简单移动平均填充缺失值参数:data: 包含缺失值的一维列表或数组window_size: 窗口大小(应为奇数)返回:填充后的数据数组"""data = np.array(data, dtype=np.float64)filled_data = data.copy()half_window = window_size // 2for i in range(len(data)):if np.isnan(data[i]):# 确定左侧和右侧的索引范围left = max(0, i - half_window)right = min(len(data), i + half_window + 1) # 加1是为了包含右侧边界，因为切片是左闭右开区间，而len(data)不加1是因为索引是从0开始的# 计算平均值时跳过NaN值window = data[left:right]non_nan_window = window[~np.isnan(window)] # np.isnan(window)返回布尔数组，~操作符取反，得到非NaN值的布尔索引if len(non_nan_window) > 0:filled_data[i] = np.mean(non_nan_window)else:filled_data[i] = np.nanreturn filled_data# 示例数据
data = [1.5, 2.3, np.nan, 4.1, np.nan, 5.2, 6.8, np.nan, 8.0]
filled_data = simple_moving_average_fill(data, window_size=3)print("原始数据:", data)
print("移动平均填充后的数据:", filled_data.tolist())

输出值：

原始数据: [1.5, 2.3, nan, 4.1, nan, 5.2, 6.8, nan, 8.0]
移动平均填充后的数据: [1.5, 2.3, 3.1999999999999997, 4.1, 4.65, 5.2, 6.8, 7.4, 8.0]

四.移动平均中对窗口的理解

在移动平均填充中，“窗口” 是指一组相邻的数据点，用于计算平均值。以简单移动平均（SMA）为例，假设我们有一个时间序列数据集合，如 [1,2,3,4,5]，我们选择一个窗口大小为 3。具体解释如下：

想象你是一个街边小店的老板，现在要分析每天经过你店门前的行人流量（这就是时间序列数据，代表不同时间点的数据），但某个时间段的数据因停电丢失了（即出现了缺失值），你希望用移动平均填充法来估算这些缺失值。
窗口大小 k 就好比你设定的一个“观察范围”。比如你选择窗口大小为 3，意味着你要根据缺失值前后共 3 天的数据（包括缺失值当天）来估算这个缺失值。
假设缺失值出现在第 3 天。你先向左看 1 天（即第 2 天）的数据，再向右看 1 天（即第 4 天）的数据，加上缺失值当天的位置（虽然数据缺失，但位置上还是算进去），一共 3 个数据点构成这个窗口。
当你用这个窗口内的数据来估算缺失值时，相当于综合了缺失值前后两天的行人流量，取一个平均值，作为缺失值的填充值。比如，如果第 2 天有 20 个人经过，第 4 天有 30 个人经过，那么缺失的第 3 天的行人流量估算值就是 (20+30)/2=25。
如果缺失值的位置靠近序列的开头或结尾，可能无法完整地找到两侧各 (k−1)/2 个数据点。这时你可以只用一侧的可用数据点来计算平均值，就像你开小店时，如果缺失的是前几天的数据，你只能参考后续几天的数据来估算一样。

五.pandas中的rolling函数：创建滚动窗口

pandas 中的 rolling() 函数用于创建滚动窗口计算（也称为移动窗口计算），它允许你在数据上定义一个固定大小的窗口，并在窗口滑动过程中对窗口内的数据进行统计操作（如均值、求和、标准差等）。这在时间序列分析、信号处理和金融数据分析中非常常见。

基本语法：

DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)

window: 窗口大小（核心参数）
- 整数：表示窗口包含的行数（如 window=3）。
- 时间字符串：用于时间序列（如 window='5D' 表示 5 天）。
min_periods: 窗口内最少有效数据量（默认为 window 值）。
center: 是否以当前行为窗口中心（默认为 False，窗口向右对齐）。
win_type: 窗口权重类型（如 'hamming'、'gaussian'）。
on: 对指定列应用滚动（仅适用于 DataFrame）。
axis: 应用方向（0=行方向，1=列方向）

import pandas as pd
import numpy as npdata = {'value': [2, 5, 3, 8, 10, 7]}
df = pd.DataFrame(data)
# print(df)# 计算3个数据的滚动平均值
df['rolling_mean'] = df['value'].rolling(window=3).mean() # 参数center默认为False，表示滚动窗口向右偏移。设置为True时，滚动窗口会居中对齐
# print(df)# 只要窗口内有1个有效数据就计算
df['roll_min_periods'] = df['value'].rolling(window=3, min_periods=1).sum()
# print(df)# 窗口以当前行为中心
df['roll_center'] = df['value'].rolling(window=3, center=True).mean()
print(df)

输出：

value rolling_mean roll_min_periods roll_center
0 2 NaN 2.0 NaN
1 5 NaN 7.0 3.333333
2 3 3.333333 10.0 5.333333
3 8 5.333333 16.0 7.000000
4 10 7.000000 21.0 8.333333
5 7 8.333333 25.0 NaN

# 时间序列滚动
# 创建时间序列数据
import pandas as pd
date_rng = pd.date_range(start='2023-01-01', periods=6, freq='D')
ts = pd.DataFrame({'value': [2, 5, 3, 8, 10, 7]}, index=date_rng)# 按3天窗口计算均值
ts['roll_time'] = ts['value'].rolling('3D').mean() # 默认min_periods=1，表示窗口内有1个有效数据就计算
print(ts)
# 这里没有前两行没有出现NaN值是因为滚动窗口是以时间为单位的，即时间窗口，min_periods默认值为1，表示只要窗口内有1个有效数据就计算均值
# 它与行数窗口不一样，行数窗口是以行数为单位的，即行数窗口，min_periods默认值为None，表示窗口内所有数据都有效才计算均值

输出：

value roll_time
2023-01-01 2 2.000000
2023-01-02 5 3.500000
2023-01-03 3 3.333333
2023-01-04 8 5.333333
2023-01-05 10 7.000000
2023-01-06 7 8.333333

# 定义自定义函数（例如：计算窗口内最大值与最小值的差）
def max_min_diff(x):return x.max() - x.min()import pandas as pd
import numpy as np
data = {'value': [2, 5, 3, 8, 10, 7]}
df = pd.DataFrame(data)
df['custom'] = df['value'].rolling(3).apply(max_min_diff)
print(df)

输出：

value custom
0 2 NaN
1 5 NaN
2 3 3.0
3 8 5.0
4 10 7.0
5 7 3.0

七.滚动时间窗口

在 Pandas 中，时间窗口（Time-based Window）是一种基于时间间隔而非固定行数的滚动计算方法，特别适合处理时间序列数据。与固定行数窗口不同，时间窗口能智能处理不规则时间间隔、缺失日期和真实时间边界。

基本语法

DataFrame.rolling(window, min_periods=1, center=False, win_type=None, closed=None)

window (时间窗口大小)
- 使用时间字符串定义窗口长度
- 格式：'n' + 时间单位
- 常用单位：
  - 'D' - 天
  - 'H' - 小时
  - 'T' 或 'min' - 分钟
  - 'S' - 秒
  - 'W' - 周
  - 'M' - 月（注意：月不是固定天数）
  - 'Q' - 季度
  - 'Y' - 年
min_periods (最小数据点要求)
- 窗口内最少需要多少有效数据点才进行计算
- 默认值：1（只要有1个数据点就计算）
- 设置为窗口大小可强制要求完整数据
closed (窗口边界闭合规则)
- 控制窗口边界是否包含：
  - 'right'：包含当前点，不包含左边界（默认）
  - 'left'：包含左边界，不包含当前点
  - 'both'：包含两端
  - 'neither'：两端都不包含
- 对结果有重大影响，需根据业务场景选择
center (窗口居中)
- True：以当前点为中心
- False：窗口在当前点结束（默认）

import pandas as pd
import numpy as np# 创建每日数据
dates = pd.date_range('2023-01-01', periods=5, freq='D')
values = [2, 5, 3, 8, 10]
ts = pd.DataFrame({'value': values}, index=dates)# 计算3天滚动平均值
ts['rolling_3D'] = ts['value'].rolling('3D').mean()print(ts)

输出：

value rolling_3D
2023-01-01 2 2.000000 # 窗口：2023-01-01
2023-01-02 5 3.500000 # 窗口：2023-01-01 到 2023-01-02
2023-01-03 3 3.333333 # 窗口：2023-01-01 到 2023-01-03
2023-01-04 8 5.333333 # 窗口：2023-01-02 到 2023-01-04
2023-01-05 10 7.000000 # 窗口：2023-01-03 到 2023-01-05

# 创建不规则时间序列
irregular_dates = pd.DatetimeIndex(['2023-01-01 09:00','2023-01-01 09:02','2023-01-01 09:15','2023-01-01 09:30','2023-01-01 09:45'
])
values = [10, 15, 20, 18, 22]
irregular_ts = pd.DataFrame({'value': values}, index=irregular_dates)# 10分钟窗口计算均值
irregular_ts['10min_avg'] = irregular_ts['value'].rolling('10T').mean()print(irregular_ts)

输出：

value 10min_avg
2023-01-01 09:00:00 10 10.000000 # 窗口：09:00-09:10 (仅09:00)
2023-01-01 09:02:00 15 12.500000 # 窗口：09:02-09:12 (09:00,09:02)
2023-01-01 09:15:00 20 20.000000 # 窗口：09:15-09:25 (仅09:15)
2023-01-01 09:30:00 18 18.000000 # 窗口：09:30-09:40 (仅09:30)
2023-01-01 09:45:00 22 22.000000 # 窗口：09:45-09:55 (仅09:45)

控制边界闭合规则

# 创建每分钟数据
minute_data = pd.DataFrame({'value': [10, 12, 15, 14, 18]},index=pd.date_range('2023-01-01 09:00', periods=5, freq='T')
)# 不同边界规则比较
minute_data['closed_right'] = minute_data['value'].rolling('2T', closed='right').mean()
minute_data['closed_left'] = minute_data['value'].rolling('2T', closed='left').mean()
minute_data['closed_both'] = minute_data['value'].rolling('2T', closed='both').mean()
minute_data['closed_neither'] = minute_data['value'].rolling('2T', closed='neither').mean()print(minute_data)

输出

value closed_right closed_left closed_both closed_neither
2023-01-01 09:00:00 10 10.0 NaN 10.0 NaN
2023-01-01 09:01:00 12 11.0 10.0 11.0 10.0
2023-01-01 09:02:00 15 13.5 12.0 13.5 11.0
2023-01-01 09:03:00 14 14.5 15.0 14.5 13.5
2023-01-01 09:04:00 18 16.0 14.0 16.0 14.5

# 创建每日温度数据
temp_data = pd.DataFrame({'temp': [22, 24, 23, 25, 26, 28, 27]},index=pd.date_range('2023-06-01', periods=7, freq='D')
)# 居中3天窗口计算平均温度
temp_data['centered_3D'] = temp_data['temp'].rolling('3D', center=True).mean()print(temp_data)

输出：

temp centered_3D
2023-06-01 22 NaN # 无法居中（左侧无数据）
2023-06-02 24 23.000000 # 窗口：06-01到06-03 → (22+24+23)/3
2023-06-03 23 24.000000 # 窗口：06-02到06-04 → (24+23+25)/3
2023-06-04 25 24.666667 # 窗口：06-03到06-05 → (23+25+26)/3
2023-06-05 26 26.333333 # 窗口：06-04到06-06 → (25+26+28)/3
2023-06-06 28 NaN # 无法居中（右侧无数据）
2023-06-07 27 NaN

复杂时间窗口应用

# 创建股票分钟数据
stock_data = pd.DataFrame({'price': [100, 101, 102, 103, 104, 105, 106],'volume': [5000, 6000, 5500, 7000, 8000, 7500, 9000]},index=pd.date_range('2023-01-01 09:30', periods=7, freq='5T')
)# 15分钟窗口计算技术指标
stock_data['15min_avg_price'] = stock_data['price'].rolling('15T').mean()
stock_data['15min_volume_sum'] = stock_data['volume'].rolling('15T').sum()
stock_data['15min_price_range'] = stock_data['price'].rolling('15T').apply(lambda x: x.max() - x.min())# 计算VWAP（成交量加权平均价）
def vwap_calc(x):prices = stock_data.loc[x.index, 'price']volumes = stock_data.loc[x.index, 'volume']return (prices * volumes).sum() / volumes.sum()stock_data['15min_VWAP'] = stock_data['price'].rolling('15T').apply(vwap_calc)print(stock_data)