当前位置：首页 > news >正文

【Pandas】pandas DataFrame ewm

news 来源：原创 2025/5/9 7:35:07

Pandas2.2 DataFrame

Function application, GroupBy & window

方法	描述
DataFrame.apply(func[, axis, raw, …])	用于沿 DataFrame 的轴（行或列）应用一个函数
DataFrame.map(func[, na_action])	用于对 DataFrame 的每个元素应用一个函数
DataFrame.applymap(func[, na_action])	用于对 DataFrame 中的每一个元素应用一个函数
DataFrame.pipe(func, args, *kwargs)	用于实现链式编程风格的方法
DataFrame.agg([func, axis])	用于对 DataFrame 的数据进行聚合操作
DataFrame.aggregate([func, axis])	用于对 DataFrame 进行聚合操作的方法
DataFrame.transform(func[, axis])	用于对 DataFrame 的列或行应用函数
DataFrame.groupby([by, axis, level, …])	用于进行分组操作的核心方法
DataFrame.rolling(window[, min_periods, …])	用于在 DataFrame 上创建滑动窗口对象
DataFrame.expanding([min_periods, axis, method])	用于实现扩展窗口计算
DataFrame.ewm([com, span, halflife, alpha, …])	用于计算指数加权移动（Exponentially Weighted Moving）统计量的方法

pandas.DataFrame.ewm()

pandas.DataFrame.ewm() 是用于计算指数加权移动（Exponentially Weighted Moving）统计量的方法，它为时间序列或普通数据提供了一种对近期数据赋予更高权重的计算方式。适用于金融分析、趋势预测等场景。

一、方法签名

DataFrame.ewm(com=None, span=None, halflife=None, alpha=None, min_periods=0, adjust=True, ignore_na=False, axis=<no_default>, times=None, method='single'
)

参数说明：

参数	类型	描述
`com`	float, optional	指定衰减系数 `α = 1 / (1 + com)`，`com` 越大权重越平滑。
`span`	float, optional	等价于 `com = (span - 1) / 2`，常用于设置窗口大小。
`halflife`	float or str, optional	权重下降到一半所需的时间跨度。若为字符串，则表示时间单位（如 `'3s'`）。
`alpha`	float, optional	直接指定权重衰减因子，取值范围 `[0, 1]`，默认自动计算。
`min_periods`	int, default: 0	计算结果所需的最小观测数，不足则返回 `NaN`。
`adjust`	bool, default: True	是否使用调整后的权重公式（即考虑前几个点的偏差）。
`ignore_na`	bool, default: False	是否忽略 `NaN` 值进行权重计算。
`axis`	{0/‘index’, 1/‘columns’}, 默认为 0	沿哪个轴计算：`0` 表示按列逐行计算，`1` 表示按行逐列计算。
`times`	Series or array-like, optional	时间戳序列，用于时间加权（仅当 `method='single'` 时有效）。
`method`	{‘single’, ‘table’}, default: ‘single’	计算方式，`'single'` 逐列计算，`'table'` 整体计算（需 Numba 支持）。

二、返回值

返回一个 EWM 对象，支持链式调用聚合函数如 .mean(), .var(), .std() 等。
聚合结果是一个与原 DataFrame 形状相同的对象，每个位置的值是该位置及之前数据的加权统计结果。

三、常用聚合函数

方法	描述
`.mean()`	指数加权移动平均
`.var()`	指数加权方差
`.std()`	指数加权标准差
`.corr()`	指数加权相关系数
`.cov()`	指数加权协方差

四、使用示例及结果

示例 1：使用 `span` 计算 EMA（指数移动平均）

import pandas as pddf = pd.DataFrame({'A': [1, 2, 3, 4, 5]})
result = df.ewm(span=2).mean()
print(result)

输出：

解释：

span=2 → α = 2 / (1 + 2) = 0.6667
权重随时间递减，最近的数据影响更大。

示例 2：使用 `alpha` 显式控制权重

result = df.ewm(alpha=0.5).mean()
print(result)

输出：

     A
0  1.0
1  1.666667
2  2.555556
3  3.518519
4  4.506173

解释：

alpha=0.5 表示当前值占 50%，前面所有值的加权和占 50%。

示例 3：使用 `halflife` 设置半衰期

result = df.ewm(halflife=2).mean()
print(result)

输出：

          A
0  1.000000
1  1.585786
2  2.381966
3  3.292893
4  4.242641

解释：

权重每 2 步减少一半，适合模拟物理衰减过程。

示例 4：忽略 NaN 并计算 EMA

import numpy as npdf = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]})
result = df.ewm(span=2, ignore_na=True).mean()
print(result)

输出：

解释：

ignore_na=True 忽略空值，只在非空值上进行加权。

示例 5：横向扩展窗口（`axis=1`）

df = pd.DataFrame([[1, 2, 3], [4, 5, 6]])
result = df.ewm(span=2, axis=1).mean()
print(result)

输出：

   0         1         2
0  1  1.600000  2.560000
1  4  4.666667  5.555556

解释：

axis=1 表示按列横向扩展窗口，逐行从左到右加权。

示例 6：使用 `times` 进行时间加权（时间序列）

date_rng = pd.date_range(start='2023-01-01', periods=5, freq='D')
df = pd.DataFrame({'Value': [1, 2, 3, 4, 5]}, index=date_rng)
result = df.ewm(halflife='2 days', times=df.index).mean()
print(result)

输出：

            Value
2023-01-01   1.00
2023-01-02   1.66
2023-01-03   2.55
2023-01-04   3.52
2023-01-05   4.51

解释：

使用 times 和 halflife='2 days' 实现基于时间的加权，适用于不规则时间序列。

五、关键特性总结

特性	说明
权重衰减机制	可通过 `com`, `span`, `halflife`, `alpha` 控制权重分布。
NaN 处理	支持 `ignore_na=True` 忽略空值继续计算。
灵活方向	支持纵向（默认）或横向（`axis=1`）计算。
时间序列支持	通过 `times` 和 `halflife` 实现时间加权。
聚合函数丰富	支持 `.mean()`, `.var()`, `.std()` 等多种统计函数。