Question

我正在尝试使用Pandas rolling_window函数，win_type =＆＃39; gaussian＆＃39;或win_type =＆＃39; general_gaussian＆＃39;。我有一个按日期时间索引的时间序列数据集，我需要一个平滑函数来减少噪音。我想避开boxcar，而是使用高斯加权。我已经尝试了很多范围的窗口大小和std（高斯），以及窗口大小，功率和宽度值（对于一般的高斯），并且我始终得到相同的结果：平滑输出偏移低于原始输入数据。这是同一个问题，但仍未得到答复here。

我尝试使用的特定代码行是：

dNorth_smooth = rolling_window(s, window=40, win_type='gaussian', std=30, center=True, freq='15S')

在哪里＆＃39;是日期时间索引的Pandas数据帧中的单列数据。在这种情况下，＆＃39; s＆＃39;以米为单位，以15秒的时间间隔。所以，我的窗口大小是40行，或40 * 15 = 600秒= 10分钟。目前尚不清楚std参数究竟是指什么，但我认为这是在频域中，并且会比窗口大小小一些，控制高斯曲线的形状（无论如何，我已经尝试了很多标准值;如果std非常大，则不会发生偏移，但这是因为高斯曲线与窗口相比变得如此宽，以至于你基本上使用了一个boxcar）。＆＃39;中心＆＃39;和＆＃39; freq＆＃39;参数似乎不会以任何方式改变输出。其他可选参数似乎也无关紧要。

一旦我有更高的声誉，我可以发布一个情节来帮助解释。但请看上面链接问题的情节，因为这是我遇到的完全相同的问题。还要注意：boxcar窗口（相当于rolling_mean）不有这个偏移问题。但是，它似乎与所有其他窗口加权函数（triang，blackman等）一起存在。

Answer 1

由于此问题（或类似的链接问题）没有发布特定的Pandas解决方案，我使用标准的numpy和scipy函数发布解决方案。这将使用高斯加权产生平滑曲线，适用于任何幅度数据（没有偏移问题）。

def smooth_gaussian(data,window,std):
  g = sp.signal.gaussian(window,std,sym=True)
  con = np.convolve(g/g.sum(),data,mode='valid')
  con_shift = np.r_[np.full((window*0.5),np.nan),con,np.full((window*0.5),np.nan)]
  return con_shift

结果数据集比输入数据集短于窗口长度，因为第一个和最后一个＆＃34;平滑＆＃34;数据点从任一端出现在（窗口* 0.5）处。返回的变量con_shift说明了这一点，并使平滑后的数据相对于输入数据居中，因此它们的长度相同，可以一起绘制。 window参数是移动窗口的大小，std是标准偏差，控制高斯曲线的形状（我将其设置为0.1 *窗口）。请注意，要使con_shift对称，窗口大小必须是奇整数。

Pandas滚动窗口功能可以抵消数据

1 个答案: