Ich arbeite an Zeitreihen in Python. Die Bibliotheken, die ich nützlich und vielversprechend fand, sindPaket für Zeitreihenanalyse in Python
auch für die Visualisierung: matplotlib
Kennt jemand eine Bibliothek für die exponentielle Glättung?
Pandas Moment exponentiell gewichtet hat bewegliche Funktionen
By the way, sollte es keine Funktionalität Überbleibsel sein im scikits.timeseries-Paket, das nicht auch in Pandas ist.
bearbeiten: Da dies immer noch eine beliebte Frage ist, gibt es jetzt eine unfertige Pull-Anforderung mehr hinzuzufügen vollständig exponentielle Glättung vorge here
vielen Dank für das Update und für die gute Arbeit. – foc
Für die dreifache statsmodels ich dies auf Web gefunden http://adorio-research.org/wordpress/?p=1230
Irgendwie sind einige Fragen zusammengeführt oder gelöscht worden, also werde ich meine Antwort hier posten.
Exp-Glättung in Python nativ.
'''
simple exponential smoothing
go back to last N values
y_t = a * y_t + a * (1-a)^1 * y_t-1 + a * (1-a)^2 * y_t-2 + ... + a*(1-a)^n * y_t-n
'''
from random import random,randint
def gen_weights(a,N):
ws = list()
for i in range(N):
w = a * ((1-a)**i)
ws.append(w)
return ws
def weighted(data,ws):
wt = list()
for i,x in enumerate(data):
wt.append(x*ws[i])
return wt
N = 10
a = 0.5
ws = gen_weights(a,N)
data = [randint(0,100) for r in xrange(N)]
weighted_data = weighted(data,ws)
print 'data: ',data
print 'weights: ',ws
print 'weighted data: ',weighted_data
print 'weighted avg: ',sum(weighted_data)
Sie die zukünftigen Werte vorhersagen können mit Pandas Exponentially gewichtete Durchschnitt bewegt http://pandas.pydata.org/pandas-docs/stable/generated/pandas.stats.moments.ewma.html als
from pandas.stats.moments import ewma
import numpy as np
pred_period = 12
def predict(x,span,periods = pred_period):
x_predict = np.zeros((span+periods,))
x_predict[:span] = x[-span:]
pred = ewma(x_predict,span)[span:]
return pred
bezogen werden: [berechnen exponentiell gleitenden Durchschnitt in Python] (http://stackoverflow.com/questions/488670/calculate-exponential-gleitenden Durchschnitt-in-Python) – jfs