如何使用指数平滑来平滑python中的时间序列？

我试图使用指数平滑来平滑时间序列

假设我的时间序列如下所示：

import pandas as pd

data = [446.6565,  454.4733,  455.663 ,  423.6322,  456.2713,  440.5881, 425.3325,  485.1494,  506.0482,  526.792 ,  514.2689,  494.211 ]
index= pd.date_range(start='1996', end='2008', freq='A')
oildata = pd.Series(data, index)

我想得到timeseries的平滑版本

如果我做了这样的事

from statsmodels.tsa.api import ExponentialSmoothing    
fit1 = SimpleExpSmoothing(oildata).fit(smoothing_level=0.2,optimized=False)
fcast1 = fit1.forecast(3).rename(r'$\alpha=0.2$')

它只输出预测的三个值，但不输出原始timeseries的平滑版本。有没有办法获得我最初的timeseries的平滑版本

如果需要，我很乐意提供更多细节。

不是用来平滑时间序列数据的工具，而是一种时间序列预测方法

函数的作用是：返回HoltWintersResults类的一个实例，该类包含已学习的系数。可以调用result对象上的forecast（）或predict（）函数进行预测

因此，通过调用

predict

，该类将使用学习的系数提供预测

但是，为了平滑时间序列，可以使用@smarie指出的

fittedvalues

属性

---

但是，我会使用一个更合适的工具，比如

savgol\u过滤器

：

from scipy.signal import savgol_filter
savgol_filter(oildata, 5, 3)

array([444.87816   , 461.58666   , 444.99296   , 441.70785143,
       442.40769143, 438.36852857, 441.50125714, 472.05622571,
       512.20891429, 521.74822857, 517.63141429, 493.37037143])

如注释中所述，savgol过滤器对给定的窗口大小（

窗口长度

）执行给定的

多阶

的局部泰勒近似，并导致时间序列的平滑

以下是使用上述设置时的情况：

plt.plot(oildata)
plt.plot(pd.Series(savgol_filter(oildata, 5, 3), index=oildata.index))
plt.show()

不是平滑时间序列数据的工具，而是一种时间序列预测方法

函数的作用是：返回HoltWintersResults类的一个实例，该类包含已学习的系数。可以调用result对象上的forecast（）或predict（）函数进行预测

因此，通过调用

predict

，该类将使用学习的系数提供预测

但是，为了平滑时间序列，可以使用@smarie指出的

fittedvalues

属性

---

但是，我会使用一个更合适的工具，比如

savgol\u过滤器

：

from scipy.signal import savgol_filter
savgol_filter(oildata, 5, 3)

array([444.87816   , 461.58666   , 444.99296   , 441.70785143,
       442.40769143, 438.36852857, 441.50125714, 472.05622571,
       512.20891429, 521.74822857, 517.63141429, 493.37037143])

如注释中所述，savgol过滤器对给定的窗口大小（

窗口长度

）执行给定的

多阶

的局部泰勒近似，并导致时间序列的平滑

以下是使用上述设置时的情况：

plt.plot(oildata)
plt.plot(pd.Series(savgol_filter(oildata, 5, 3), index=oildata.index))
plt.show()

---

显然，您可以在模型的

fittedvalues

属性中获得平滑值

import pandas as pd

data = [446.6565,  454.4733,  455.663 ,  423.6322,  456.2713,  440.5881, 425.3325,  485.1494,  506.0482,  526.792 ,  514.2689,  494.211 ]
index= pd.date_range(start='1996', end='2008', freq='A')
oildata = pd.Series(data, index)

from statsmodels.tsa.api import SimpleExpSmoothing
fit1 = SimpleExpSmoothing(oildata).fit(smoothing_level=0.2,optimized=False)
# fcast1 = fit1.forecast(3).rename(r'$\alpha=0.2$')

import matplotlib.pyplot as plt
plt.plot(oildata)
plt.plot(fit1.fittedvalues)
plt.show()

它产生：

各国：

fittedvalues:ndarray

拟合值的数组。采用指数平滑模型拟合

---

请注意，您还可以使用包含所有值+第一个预测的

fittedfcast

属性，或仅包含预测的

fcastvalues

属性。

显然，您可以在模型的

fittedvalues

属性中获得平滑值

import pandas as pd

data = [446.6565,  454.4733,  455.663 ,  423.6322,  456.2713,  440.5881, 425.3325,  485.1494,  506.0482,  526.792 ,  514.2689,  494.211 ]
index= pd.date_range(start='1996', end='2008', freq='A')
oildata = pd.Series(data, index)

from statsmodels.tsa.api import SimpleExpSmoothing
fit1 = SimpleExpSmoothing(oildata).fit(smoothing_level=0.2,optimized=False)
# fcast1 = fit1.forecast(3).rename(r'$\alpha=0.2$')

import matplotlib.pyplot as plt
plt.plot(oildata)
plt.plot(fit1.fittedvalues)
plt.show()

它产生：

各国：

fittedvalues:ndarray

拟合值的数组。采用指数平滑模型拟合

---

请注意，您也可以使用包含所有值+第一个预测的

fittedfcast

属性，或仅包含预测的

fcastvalues

属性。

非常感谢。拟合值是什么意思？它是timeseries的平滑版本吗？：）这就是我强烈的想法，特别是第一点是一样的，系列长度也是一样的。同时编辑这不是一个数组，而是一个系列。显然，索引是相同的-我包含了一个链接，指向

fit

对象类型的文档，这是一个

HoltWintersResults

。拟合值是基于拟合参数的模型样本内预测。非常感谢。拟合值是什么意思？它是timeseries的平滑版本吗？：）这就是我强烈的想法，特别是第一点是一样的，系列长度也是一样的。同时编辑这不是一个数组，而是一个系列。显然，索引是相同的-我包含了一个链接，指向

fit

对象类型的文档，这是一个

HoltWintersResults

。拟合值是基于拟合参数的模型样本内预测。非常感谢。我喜欢你建议使用

savgol\u过滤器

。你知道savgol_过滤器和移动平均之间的区别吗？：）我记忆中的Savgol过滤器在给定的窗口大小上执行局部泰勒近似，并导致函数@emjwheals的平滑，移动平均值只是一个平均值，正如它的名字所说的@emjThanks。我发现你在savgol filter中发布的详细信息非常有用。谢谢：）等我有时间再看一看：）@EmJthanks很多。我喜欢你建议使用

savgol\u过滤器

。你知道savgol_过滤器和移动平均之间的区别吗？：）我记忆中的Savgol过滤器在给定的窗口大小上执行局部泰勒近似，并导致函数@emjwheals的平滑，移动平均值只是一个平均值，正如它的名字所说的@emjThanks。我发现你在savgol filter中发布的详细信息非常有用。谢谢：）等我有时间再看：）@EmJ