Python pandas统计函数和boost::累加器之间的差异
对于使用Python pandas统计函数和boost::累加器之间的差异,python,c++,pandas,boost,Python,C++,Pandas,Boost,对于使用pandas和boost::累加器进行的统计计算,我得到了不同的结果,我不确定原因 下面我有一个简单的例子,使用pandas计算一些回报的均值和方差 import pandas vals = [ 1, 1, 2, 1, 3, 2, 3, 4, 6, 3, 2, 1 ] rets = pandas.Series(vals).pct_change() print(f'count: {len(rets)}') print(f'mean: {rets.mean()}') pri
pandas
和boost::累加器进行的统计计算,我得到了不同的结果,我不确定原因
下面我有一个简单的例子,使用pandas计算一些回报的均值和方差
import pandas
vals = [ 1, 1, 2, 1, 3, 2, 3, 4, 6, 3, 2, 1 ]
rets = pandas.Series(vals).pct_change()
print(f'count: {len(rets)}')
print(f'mean: {rets.mean()}')
print(f'variance: {rets.var()}')
其输出为:
我在C++中使用等价于<代码> Boo::累加器< /COD>用于统计计算< /P>
#include <iostream>
#include <iomanip>
#include <cmath>
#include <boost/accumulators/accumulators.hpp>
#include <boost/accumulators/statistics/stats.hpp>
#include <boost/accumulators/statistics/count.hpp>
#include <boost/accumulators/statistics/mean.hpp>
#include <boost/accumulators/statistics/variance.hpp>
namespace acc = boost::accumulators;
int main()
{
acc::accumulator_set<double, acc::stats<acc::tag::count,
acc::tag::mean,
acc::tag::variance>> stats;
double prev = NAN;
for (double val : { 1, 1, 2, 1, 3, 2, 3, 4, 6, 3, 2, 1 })
{
const double ret = (val - prev) / prev;
stats(std::isnan(ret) ? 0 : ret);
prev = val;
}
std::cout << std::setprecision(16)
<< "count: " << acc::count(stats) << '\n'
<< "mean: " << acc::mean(stats) << '\n'
<< "variance: " << acc::variance(stats) << '\n';
return 0;
}
- 为什么熊猫和熊猫之间的均值和方差不同
- 我需要做什么才能从boost::累加器中获得结果
在pandas中,当您通过defualt执行mean
操作时,它将删除nan
列,如果我们将nan
填充为0,则输出相同,因为您执行pct\u更改
,第一项应为nan
rets.mean()
Out[67]: 0.19696969696969696
rets.fillna(0).mean()
Out[69]: 0.18055555555555555
关于var
将自由设置为0
rets.fillna(0).var(ddof=0)
Out[86]: 0.5160108024691358
我仍然得到了一个不同的方差结果:rets.fillna(0.var()
-->0.5629208754208754
@SteveLorimer抱歉,只需获得时间回复rets.fillna(0.var)(ddof=0)
您需要为0默认1tanks添加自由度!你知道有没有可能走另一条路?ie:getddof=1
result fromboost::Accumerators
?@SteveLorimer如果克隆boost.math的头部,可能会有所帮助,您可以使用boost/math/tools/univariate_statistics.hpp获得正确答案。
rets.mean()
Out[67]: 0.19696969696969696
rets.fillna(0).mean()
Out[69]: 0.18055555555555555
rets.fillna(0).var(ddof=0)
Out[86]: 0.5160108024691358