Python 针对每种样本类型的多指标ewma滚动

假设我想测量一个器官的长度，比如说几种动物的胃，按类型排序， 我从一个带有重复值的.csv创建了一个多索引数据框，我每天都采集一个样本，使我的度量值变得嘈杂

如何对包含在多索引数据框中的每种物种的最后60个样本应用滚动ewma

数据帧示例：

arrays = [['mamal', 'mamal','mamal', 'mamal', 'mamal', 'mamal', 'mamal','mamal', 'mamal', 'mamal','bird', 'bird','bird', 'bird', 'reptile', 'reptile'],
          ['whale','whale','whale','whale', 'dolphin', 'dolphin', 'dolphin', 'dolphin', 'cat', 'cat', 'canary', 'canary', 'eagle', 'eagle', 'boa', 'turtle'],
          ['2017-03-01','2017-03-02','2017-03-03','2017-03-04','2017-03-01','2017-03-02','2017-03-03','2017-03-04','2017-03-03','2017-03-04','2017-03-01','2017-03-02','2017-03-03','2017-03-01','2017-03-02','2017-03-03','2017-03-01','2017-03-02','2017-03-03']]

tuples = list(zip(*arrays))

index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])

s = pd.Series(np.random.randn(13), index=index)
print(s) :

type     species  measure_date
mamal    whale    2017-03-01      0.913916
                  2017-03-02      0.860045
                  2017-03-03      1.166217
                  2017-03-04     -0.439948
         dolphin  2017-03-01      0.590208
                  2017-03-02      0.297475
                  2017-03-03      0.067966
                  2017-03-04     -0.477495
         cat      2017-03-03     -1.261023
                  2017-03-04     -0.931671
bird     canary   2017-03-01     -1.367815
                  2017-03-02     -0.820792
         eagle    2017-03-03     -0.532935
                  2017-03-01     -0.152090
reptile  boa      2017-03-02     -2.070819
         turtle   2017-03-03      1.329004
dtype: float64

假设我现在有了更长的测量历史，保持每天的测量，那么对于每一个物种，执行滚动ewma的syntaxc是什么，保持每一个物种都是独立的（我不想滚动所有的测量，但只对海豚或鲸鱼中的一个进行滚动）

我试过了

b = s.groupby(level=2,group_keys=False).apply(lambda x: pd.ewma(x,ignore_na=True,min_periods=2,adjust=True,com=0.030927835051546))

但它只会覆盖所有物种，不会对其进行区分

type     species  measure_date
mamal    whale    2017-03-01           NaN
                  2017-03-02           NaN
                  2017-03-03           NaN
                  2017-03-04           NaN
         dolphin  2017-03-01      0.599637
                  2017-03-02      0.313861
                  2017-03-03      0.099954
                  2017-03-04     -0.476401
         cat      2017-03-03     -1.220229
                  2017-03-04     -0.918025
bird     canary   2017-03-01     -1.308843
                  2017-03-02     -0.786782
         eagle    2017-03-03     -0.553554
                  2017-03-01     -0.186791
reptile  boa      2017-03-02     -2.032299
         turtle   2017-03-03      1.272527

---

正如@ScottBoston所指出的，您只需纠正

级别

：

s.groupby(level="second").apply(lambda x: pd.ewma(x,ignore_na=True,min_periods=2,adjust=True,com=0.030927835051546))

first    second   third     
mamal    whale    2017-03-01         NaN
                  2017-03-02    0.661551
                  2017-03-03   -0.726871
                  2017-03-04   -1.873301
         dolphin  2017-03-01         NaN
                  2017-03-02    0.242347
                  2017-03-03    0.276082
                  2017-03-04    0.071822
         cat      2017-03-03         NaN
                  2017-03-04    0.441826
bird     canary   2017-03-01         NaN
                  2017-03-02    1.426628
         eagle    2017-03-03         NaN
                  2017-03-01    0.382538
reptile  boa      2017-03-02         NaN
         turtle   2017-03-03         NaN
dtype: float64

---

正如@ScottBoston所指出的，您只需纠正

级别

：

s.groupby(level="second").apply(lambda x: pd.ewma(x,ignore_na=True,min_periods=2,adjust=True,com=0.030927835051546))

first    second   third     
mamal    whale    2017-03-01         NaN
                  2017-03-02    0.661551
                  2017-03-03   -0.726871
                  2017-03-04   -1.873301
         dolphin  2017-03-01         NaN
                  2017-03-02    0.242347
                  2017-03-03    0.276082
                  2017-03-04    0.071822
         cat      2017-03-03         NaN
                  2017-03-04    0.441826
bird     canary   2017-03-01         NaN
                  2017-03-02    1.426628
         eagle    2017-03-03         NaN
                  2017-03-01    0.382538
reptile  boa      2017-03-02         NaN
         turtle   2017-03-03         NaN
dtype: float64

---

多级索引从外部的0开始，向内计数，所以我认为您希望物种的级别为1。在本例中，度量值日期为2级，物种级别为1，类型为0级。非常感谢@scottBostonMultilevel indexes从外部的0开始，向内计数，因此我认为您希望物种级别为1。在本例中，测量日期为2级，物种级别为1级，类型为0级。非常感谢@scottBostonhi，非常感谢您的回答！我的意思是ewma，它是附在pd中的；这是一个指数加权移动平均值，试图去除噪声度量，我有几个部分不工作，或者我没有得到，可能是因为我的熊猫版本：-在执行结果时，我有以下错误：AttributeError:“DataFrame”对象没有属性“rolling”@BillyBobJocko2223我终于得到了；-）嗨，非常感谢你的回答！我的意思是ewma，它是附在pd中的；这是一个指数加权移动平均值，试图去除噪声度量，我有几个部分不工作，或者我没有得到，可能是因为我的熊猫版本：-在执行结果时，我有以下错误：AttributeError:“DataFrame”对象没有属性“rolling”@BillyBobJocko2223我终于得到了；-）