如何简单地计算python中时间序列的滚动/移动方差？

Question

我有一个简单的时间序列，我正在努力估计移动窗口内的方差。更具体地说，我无法解决与实现滑动窗口功能的方式有关的一些问题。例如，使用NumPy和窗口大小= 20时：

def rolling_window(a, window):
    shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)
    strides = a.strides + (a.strides[-1],)
    return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides) 

rolling_window(data, 20)
np.var(rolling_window(data, 20), -1)
datavar=np.var(rolling_window(data, 20), -1)

在这个想法中，也许我错了。 有谁知道一个直截了当的方法吗？ 任何帮助/建议都是最受欢迎的。

Answer 1

你应该看看pandas。例如：

import pandas as pd
import numpy as np

# some sample data
ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000)).cumsum()

#plot the time series
ts.plot(style='k--')

# calculate a 60 day rolling mean and plot
pd.rolling_mean(ts, 60).plot(style='k')

# add the 20 day rolling variance:
pd.rolling_std(ts, 20).plot(style='b')

Answer 2

Pandas rolling_mean和rolling_std函数已被弃用，取而代之的是更为通用的＆＃34;滚动＆＃34;框架。 @ elyase的例子可以修改为：

import pandas as pd
import numpy as np
%matplotlib inline

# some sample data
ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000)).cumsum()

#plot the time series
ts.plot(style='k--')

# calculate a 60 day rolling mean and plot
ts.rolling(window=60).mean().plot(style='k')

# add the 20 day rolling variance:
ts.rolling(window=20).std().plot(style='b')

rolling函数支持许多不同的窗口类型，如文档here所述。可以在rolling对象上调用许多函数，包括var和其他有趣的统计信息（skew，kurt，quantile等。我已经坚持std，因为情节与平均值在同一个图表上，这在单位方面更有意义。

Answer 3

尽管是旧线程，我将添加从this修改的另一种方法，该方法不依赖于熊猫，也不依赖python循环。本质上，使用numpy的跨步技巧，您可以首先跨步创建一个数组视图，以便沿最后一个轴计算函数的统计信息等效于执行滚动统计信息。我已经修改了原始代码，以便通过填充最后一条轴的起点来使输出形状与输入形状相同。

import numpy as np

def rolling_window(a, window):
    pad = np.ones(len(a.shape), dtype=np.int32)
    pad[-1] = window-1
    pad = list(zip(pad, np.zeros(len(a.shape), dtype=np.int32)))
    a = np.pad(a, pad,mode='reflect')
    shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)
    strides = a.strides + (a.strides[-1],)
    return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)

a = np.arange(30).reshape((5,6))

# rolling mean along last axis
np.mean(rolling_window(a, 3), axis=-1)

# rolling var along last axis
np.var(rolling_window(a, 3), axis=-1)

# rolling median along last axis
np.median(rolling_window(a, 3), axis=-1)