行业知识
数据处理
2026-11-16 11:28:14
来源:互联网转载
处理好数据往往能够事半功倍
数据处理
准备工作:
���放数据的Excel文件
python需要的库:
Pandas
Matplotlib
移动平均算法
数据准备
比如已经获取到了实验数据,但是数据太多了,而且有很多噪点,那么采用移动平均算法处理:
简单移动平均算法(SMA)
import pandas as pdimport matplotlib.pyplot as plt# 读取数据excel_file = "实验数据.xlsx"df = pd.read_excel(excel_file)# 提取数据列y = df['力(单位:N)']# 计算简单移动平均window_size = 300 # 移动窗口的大小sma = y.rolling(window=window_size).mean()# 绘制原始数据和简单移动平均曲线plt.plot(df['位移(单位:mm)'], y, label='原始数据', linestyle='--')plt.plot(df['位移(单位:mm)'], sma, label=f'简单移动平均 ({window_size}期)', linestyle='-')# 添加标题和标签plt.title('力与位移曲线(简单移动平均)')plt.xlabel('位移(单位:mm)')plt.ylabel('力(单位:N)')# 添加图例plt.legend()# 显示图形plt.show() 应用上面的代码可以处理下面这样的数据:此时设置的移动平均窗口大小较大,因此误差也相对较大。
指数移动平均算法(EMA)
import pandas as pdimport matplotlib.pyplot as plt# 读取数据excel_file = "实验数据.xlsx"df = pd.read_excel(excel_file)# 提取数据列y = df['力(单位:N)']# 计算指数移动平均span = 300 # 平滑指数的时间跨度ema = y.ewm(span=span, adjust=False).mean()# 绘制原始数据和指数移动平均曲线plt.plot(df['位移(单位:mm)'], y, label='原始数据', linestyle='--')plt.plot(df['位移(单位:mm)'], ema, label=f'指数移动平均 (span={span})', linestyle='-')# 添加标题和标签plt.title('力与位移曲线(指数移动平均)')plt.xlabel('位移(单位:mm)')plt.ylabel('力(单位:N)')# 添加图例plt.legend()# 显示图形plt.show() 应用上面的代码可以处理下面这样的数据:此时设置的移动平均窗口大小较大,因此误差也相对较大。
总结
移动平均是一种平滑时间序列数据的常用方法。它通过计算数据点在一定时间窗口内的平均值来减少随机波动和噪音,从而突出趋势和周期性的变化。这种平均方法有助于使数据更具可读性、降低噪音,并帮助识别趋势和模式。
主要有两种类型的移动平均:
-
简单移动平均(SMA): 简单移动平均是在一个固定大小的窗口内计算数据点的平均值。每个新的平均值都取代窗口中的旧值,从而不断更新。
-
指数加权移动平均(EMA): 指数加权移动平均给予最近的数据点更大的权重,相较于旧的数据点,从而更灵敏地反映最近的变化。这种平均方法通常通过指数加权系数来调整权重。
移动平均的主要应用包括:
- 去除噪音: 移动平均有助于平滑数据,减少随机波动和噪音的影响,使得数据更易于分析。
- 趋势识别: 移动平均可用于识别数据中的趋势,特别是在时间序列数据中,它可以帮助识别长期趋势的变化。
- 周期性分析: 通过平滑数据,移动平均有助于减少季节性或周期性变化的影响,更好地展示数据的总体走势。
- 预测: 在一些情况下,使用移动平均来预测未来的趋势或值,尤其是在时间序列预测中。
总体而言,移动平均是一种简单而有效的数据处理方法,适用于许多领域的时间序列分析和趋势识别。
上一篇:伊诺纳服务器怎么进去?
下一篇:怎么用一台主机控制多台主机上网