如何在熊猫中使用自定义权重计算移动平均值？答案

【问题标题】：How do I calculate moving average with customized weight in pandas?如何在熊猫中使用自定义权重计算移动平均值？
【发布时间】：2019-01-31 03:47:17
【问题描述】：

我有一个包含两列 a: [1,2,3,4,5]; b: [1,0.4,0.3,0.5,0.2] 的数据框。我怎样才能使列 c ：

c[0] = 1  
c[i] = c[i-1]*b[i]+a[i]*(1-b[i])

这样c:[1,1.6,2.58,3.29,4.658]

计算：

1 = 1
1*0.4+2*0.6 = 1.6
1.6*0.3+3*0.7 = 2.58
2.58*0.5+4*0.5 = 3.29
3.29*0.2+5*0.8 = 4.658

【问题讨论】：

请正确格式化您的问题
我没有看到预期的输出
增加了预期输出
for 循环可能吗？
我相信 for 循环是可行的，但我认为在 pandas 中必须有更好/更快的方法。

标签： python pandas performance numpy for-loop

【解决方案1】：

可能有更聪明的方法，但这是我的尝试：

import pandas as pd

a = [1,2,3,4,5]
b = [1,0.4,0.3,0.5,0.2]

df = pd.DataFrame({'a':a , 'b': b})

for i in range(len(df)):
    if i is 0:
        df.loc[i,'c'] = 1
    else:
        df.loc[i,'c'] = df.loc[i-1,'c'] * df.loc[i,'b'] + df.loc[i,'a'] * (1 - df.loc[i,'b'])

输出：

   a    b      c
0  1  1.0  1.000
1  2  0.4  1.600
2  3  0.3  2.580
3  4  0.5  3.290
4  5  0.2  4.658

【讨论】：

【解决方案2】：

我看不到向量化递归算法的方法。但是，您可以使用numba 来优化您当前的逻辑。这应该比常规循环更可取。

from numba import jit

df = pd.DataFrame({'a': [1,2,3,4,5],
                   'b': [1,0.4,0.3,0.5,0.2]})

@jit(nopython=True)
def foo(a, b):
    c = np.zeros(a.shape)
    c[0] = 1
    for i in range(1, c.shape[0]):
        c[i] = c[i-1] * b[i] + a[i] * (1-b[i])
    return c

df['c'] = foo(df['a'].values, df['b'].values)

print(df)

   a    b      c
0  1  1.0  1.000
1  2  0.4  1.600
2  3  0.3  2.580
3  4  0.5  3.290
4  5  0.2  4.658

【讨论】：

感谢您的回答。逻辑似乎相同，那么为什么在这里使用 numba 更可取？
@serendipityo，因为numba 预编译了算法，而常规循环是纯Python。要查看影响，请在包含 @jit(nopython=True) 之前和之后运行代码。