使用 R 中的 data.table 对向量进行简单移动平均（部分窗口）答案

【问题标题】：Simple moving average (partial window) of a vector using data.table in R使用 R 中的 data.table 对向量进行简单移动平均（部分窗口）
【发布时间】：2021-04-12 05:15:18
【问题描述】：

我有一个简单的向量如下：

x = c(14.24, 13.82, 12.75, 12.92, 12.94, 13.00, 14.14, 16.28, 20.64, 17.64)

我试图找到这个向量的滚动平均值并使用以下函数：

library(data.table)
y = frollmean(x, 5)

我得到的结果如下 -

 [1]     NA     NA     NA     NA 13.334 13.086 13.150 13.856 15.400 16.340

但是，我希望结果为 -

 [1]     14.24 14.03 13.06 13.43 13.334 13.086 13.150 13.856 15.400 16.340

第一个值应与原始向量中的相同
第二个值应该是第一个和第二个值的平均值
第三个值应该是初始三个值的平均值向量
第四个值应该是向量中初始四个值的平均值

其余的计算由函数frollmean正确处理

任何建议都会有所帮助。

谢谢！

【问题讨论】：

标签： r data.table rolling-computation

【解决方案1】：

在您的 frollmean 函数调用中，您要求窗口宽度为 5。由于没有足够的元素，因此无法针对此窗口宽度计算所有 NA 的前导元素。部分窗口支持在?frollmean 手动示例中提供。下面是根据您的案例改编的代码。

x = c(14.24, 13.82, 12.75, 12.92, 12.94, 13.00, 14.14, 16.28, 20.64, 17.64)
library(data.table)
an = function(n, len) c(seq.int(n), rep(n, len-n))
y = frollmean(x, an(5, length(x)), adaptive=TRUE)
y
# [1] 14.24000 14.03000 13.60333 13.43250 13.33400 13.08600 13.15000 13.85600 15.40000 16.34000

参数adaptive 是更通用的（不仅仅是逻辑partial）自定义窗口宽度的方法。这里我们使用辅助函数an 来计算窗口的自适应长度。如果您只调用an，您可以观察到窗口宽度现在正是您预期的那样，而不是 5：

an(5, length(x))
# [1] 1 2 3 4 5 5 5 5 5 5

【讨论】：

【解决方案2】：

您可以将zoo 的rollapplyr 函数与partial = TRUE 一起使用。

zoo::rollapplyr(x, 5, mean, partial = TRUE)
#[1] 14.24 14.03 13.60 13.43 13.33 13.09 13.15 13.86 15.40 16.34

【讨论】：

我尝试在 TTR 库的 EMA 函数上运行相同的函数，但它给出了错误。 zoo::rollapplyr(x, 5, EMA, partial = TRUE)你知道怎么解决吗？我认为 EMA 函数已经有滚动窗口，但它没有任何设置部分的选项，如 zoo::rollapplyr
我没有使用过EMA 函数，但是它有自己的窗口长度。所以我认为你不应该在rollapplyr函数中使用它。
作为后续问题，我在这里发布了一个问题-stackoverflow.com/questions/65597909/…

【解决方案3】：

如果您想将该功能包含在您的 base R 武器库中，请将其放入您的 ~/.Rprofile：

rollmean <- function(vec, len, prtl = FALSE) {
  if (len > length(vec)) {
    stop(paste("Choose lower range,", len, ">", length(vec)))
  }
  else {
    if (prtl == T) {
      sapply(1:length(vec), function(i) {
        if (i <= len) {
          mean(vec[1:i])
        }
        else {
          mean(vec[(i - (len - 1)):i])
        }
      })
    }
    else {
      sapply(1:length(vec), function(i) {
        if (i - (len - 1) > 0) {
          mean(vec[(i - (len - 1)):i])
        }
        else {
          NA
        }
      })
    }
  }
}

x <- c(14.24, 13.82, 12.75, 12.92, 12.94, 13.00, 14.14, 16.28, 20.64, 17.64)

rollmean( x, 5 )
#[1]     NA     NA     NA     NA 13.334 13.086 13.150 13.856 15.400 16.340

rollmean( x, 5, T )
#[1] 14.24000 14.03000 13.60333 13.43250 13.33400 13.08600 13.15000 13.85600
#[9] 15.40000 16.34000

【讨论】：