如何使用5个时间步长创建移动平均特征

如何使用5个时间步长创建移动平均特征

移动平均特征通过平滑时间序列数据来减少噪声，突出长期趋势。以下是使用Python创建5个时间步长移动平均特征的完整方法：

方法一：使用Pandas（推荐）

import pandas as pd# 假设df是包含时间序列数据的DataFrame，'value'是目标列
df['ma_5'] = df['value'].rolling(window=5).mean()# 示例输出：
# 时间点   value   ma_5
# t1      10      NaN
# t2      12      NaN
# t3      11      NaN
# t4      13      NaN
# t5      14      (10+12+11+13+14)/5 = 12.0
# t6      16      (12+11+13+14+16)/5 = 13.2

方法二：使用NumPy手动实现

import numpy as npdef moving_average(data, window=5):return np.convolve(data, np.ones(window)/window, mode='valid')# 示例使用
data = [10, 12, 11, 13, 14, 16, 15, 17, 18]
ma_5 = moving_average(data, window=5)  # 结果: [12.0, 13.2, 13.8, 15.0, 16.2]

关键说明：

1. 窗口处理：
   • 前4个时间点（窗口不满5）会生成NaN
   • 从第5个点开始输出有效平均值
2. 边界调整：
   • 添加min_periods=1参数可计算部分窗口均值

   df['ma_5'] = df['value'].rolling(5, min_periods=1).mean()
   

3. 数据要求：
   • 时间序列必须按时间顺序排序
   • 处理缺失值：df['value'].fillna(method='ffill').rolling(5).mean()

应用场景

移动平均特征常用于：

• 时间序列预测（如ARIMA模型）
• 异常检测（平滑后更容易识别离群点）
• 金融分析（股价趋势分析）
• 传感器数据处理（消除瞬时波动）

指数平滑法是对移动平均的改进，它赋予近期数据更高权重，使久远数据呈指数衰减。