R 计算移动平均线
我试图用R来计算矩阵中一系列值的移动平均值。不过，普通的R邮件列表搜索并没有太大帮助。在R中似乎没有a，这将允许我计算移动平均线。有没有套餐提供？还是我需要自己写？R 计算移动平均线,r,moving-average,r-faq,R,Moving Average,R Faq,我试图用R来计算矩阵中一系列值的移动平均值。不过，普通的R邮件列表搜索并没有太大帮助。在R中似乎没有a，这将允许我计算移动平均线。有没有套餐提供？还是我需要自己写？ 包中的滚动平均值/最大值/中间值（滚动平均值） 移动公寓 马因 或者您可以简单地使用过滤器进行计算，以下是我使用的函数： ma <- function(x, n = 5){filter(x, rep(1 / n, n), sides = 2)} macaTools包具有非常快速的滚动平均值/min/max/sd和很少的其他功
- 包中的滚动平均值/最大值/中间值（滚动平均值）
- 移动公寓
- 马因
ma <- function(x, n = 5){filter(x, rep(1 / n, n), sides = 2)}
macaToolsroll\u meanma <- function(arr, n=15){
res = arr
for(i in n:length(arr)){
res[i] = mean(arr[(i-n):i])
}
res
}
ma使用cumsum
应该足够有效。假设你有一个向量x，你想要一个n个数的运行和
cx事实上RcppRoll
非常好
必须在窗口的第四行更正张贴的代码：
ma <- function(arr, n=15){
res = arr
for(i in n:length(arr)){
res[i] = mean(arr[(i-n+1):i])
}
res
}
ma以补充和的答案
虽然移动有点慢，但您也可以使用zoo:：rollapply对矩阵执行计算
reqd_ma <- rollapply(x, FUN = mean, width = n)
requd_ma在数据中。表1.12.0添加了新的frollmean
函数，以计算快速准确的滚动平均值，仔细处理NA
，NaN
和+Inf
，-Inf
值
由于在这个问题上没有可复制的例子，所以这里没有更多的问题需要解决
您可以在手册中找到有关？frollmean
的更多信息，也可在线访问
以下手册中的示例：
库（data.table）
d=as.data.table（列表（1:6/2，3:8/4））
#单向量单窗口的均值
Frollman（d[，V1]，3）
#一次多列
弗罗尔平均数（d，3）
#一次打开多个窗口
Frollman（d[，（V1）]，c（3,4））
#一次多个列和多个窗口
弗罗尔平均值（d，c（3，4））
##使用openmp时，上面三个是令人尴尬的并行
可以使用软件包来移动功能。在这种情况下，mean\u运行
功能。cummean
的问题在于它不处理NA
值，但mean\u run
处理runner
软件包还支持不规则的时间序列，窗口可能取决于日期：
库（运行程序）
种子（11）
x1[13]-0.3858234-0.3765192-0.42809
平均运行时间（x2，不适用rm=TRUE）
#> [1] -0.18760011 -0.09022066 -0.06543317 0.03906450 -0.12188853 -0.13873536
#> [7] -0.13873536 -0.14571604 -0.12596067 -0.11116961 -0.09881996 -0.08871569
#> [13] -0.05194292 -0.04699909 -0.05704202
平均运行时间（x2，不适用rm=FALSE）
#> [1] -0.18760011 -0.09022066 -0.06543317 0.03906450 -0.12188853 -0.13873536
#>[7]不，不，不，不
#>[13]娜娜娜娜
平均运行时间（x2，不适用rm=TRUE，k=4）
#> [1] -0.18760011 -0.09022066 -0.06543317 0.03906450 -0.10546063 -0.16299272
#> [7] -0.21203756 -0.39209010 -0.13274756 -0.05603811 -0.03894684 0.01103493
#> [13] 0.09609256 0.09738460 0.04740283
平均运行时间（x2，na\u rm=TRUE，k=4，idx=date）
#> [1] -0.187600111 -0.090220655 -0.004349696 0.168349653 -0.206571573 -0.494335093
#> [7] -0.222969541 -0.187600111 -0.087636571 0.009742884 0.009742884 0.012326968
#> [13] 0.182442234 0.125737145 0.059094786
您还可以指定其他选项，如lag
，并仅在特定索引处滚动。更多信息请参见和文档。滑块包可用于此目的。它有一个专门设计的界面，感觉与purrr类似。它接受任何任意函数，并可以返回任何类型的输出。数据帧甚至按行进行迭代。pkgdown站点是
库（滑块）
x[1]1.01.52.5
df[[1]]
#>xy
#> 1 1 1
#>
#> [[2]]
#>xy
#> 1 1 1
#> 2 2 2
#>
#> [[3]]
#>xy
#> 1 2 2
#> 2 3 3
slider和data.table的frollapply（）
开销应该很低（比zoo快得多）frollapply（）
对于这个简单的示例来说似乎要快一点，但是请注意，它只接受数字输入，并且输出必须是标量数值。滑块函数是完全通用的，可以返回任何数据类型
库（滑块）
图书馆（动物园）
库（数据表）
x#A tibble:3 x 6
#>表达式最小中位数`itr/sec`mem_alloc`gc/sec`
#>
#>1个滑块19.82ms 26.4ms 38.4 829.8KB 19.0
#>2动物园177.92ms 211.1ms 4.71 17.9MB 24.8
#>3数据表7.78ms 10.9ms 87.9 807.1KB 38.7
以下是示例代码，说明如何使用包中的rollmean
函数计算居中移动平均线和尾随移动平均线
库（tidyverse）
图书馆（动物园）
一些数据=TIBLE（天=1:10）
#cma=居中移动平均线
#tma=尾随移动平均线
部分数据=部分数据%>%
突变（cma=rollmean（天，k=3，fill=NA））%>%
突变（tma=rollmean（天，k=3，fill=NA，align=“right”））
一些数据
#>#tibble:10 x 3
#>日cma tma
#>
#>1纳纳
#>2不适用
#> 3 3 3 2
#> 4 4 4 3
#> 5 5 5 4
#> 6 6 6 5
#> 7 7 7 6
#> 8 8 8 7
#> 9 9 9 8
#>10 10 NA 9
vector\u avg编辑：非常高兴添加侧
参数，用于移动平均值（或总和，或…），例如日期的过去7天
向量
对于那些只想自己计算的人来说，这没什么
ma <- function(arr, n=15){
res = arr
for(i in n:length(arr)){
res[i] = mean(arr[(i-n+1):i])
}
res
}
ma <- function(x, n=2,parcial=TRUE){
res = x #set the first values
if (parcial==TRUE){
for(i in 1:length(x)){
t<-max(i-n+1,1)
res[i] = mean(x[t:i])
}
res
}else{
for(i in 1:length(x)){
t<-max(i-n+1,1)
res[i] = mean(x[t:i])
}
res[-c(seq(1,n-1,1))] #remove the n-1 first,i.e., res[c(-3,-4,...)]
}
}
moving_fun <- function(x, w, FUN, ...) {
# x: a double vector
# w: the length of the window, i.e., the section of the vector selected to apply FUN
# FUN: a function that takes a vector and return a summarize value, e.g., mean, sum, etc.
# Given a double type vector apply a FUN over a moving window from left to the right,
# when a window boundary is not a legal section, i.e. lower_bound and i (upper bound)
# are not contained in the length of the vector, return a NA_real_
if (w < 1) {
stop("The length of the window 'w' must be greater than 0")
}
output <- x
for (i in 1:length(x)) {
# plus 1 because the index is inclusive with the upper_bound 'i'
lower_bound <- i - w + 1
if (lower_bound < 1) {
output[i] <- NA_real_
} else {
output[i] <- FUN(x[lower_bound:i, ...])
}
}
output
}
# example
v <- seq(1:10)
# compute a MA(2)
moving_fun(v, 2, mean)
# compute moving sum of two periods
moving_fun(v, 2, sum)
reqd_ma <- rollapply(x, FUN = mean, width = n)
library(tidyverse)
library(zoo)
some_data = tibble(day = 1:10)
# cma = centered moving average
# tma = trailing moving average
some_data = some_data %>%
mutate(cma = rollmean(day, k = 3, fill = NA)) %>%
mutate(tma = rollmean(day, k = 3, fill = NA, align = "right"))
some_data
#> # A tibble: 10 x 3
#> day cma tma
#> <int> <dbl> <dbl>
#> 1 1 NA NA
#> 2 2 2 NA
#> 3 3 3 2
#> 4 4 4 3
#> 5 5 5 4
#> 6 6 6 5
#> 7 7 7 6
#> 8 8 8 7
#> 9 9 9 8
#> 10 10 NA 9
vector_avg <- function(x){
sum_x = 0
for(i in 1:length(x)){
if(!is.na(x[i]))
sum_x = sum_x + x[i]
}
return(sum_x/length(x))
}
# x = vector with numeric data
# w = window length
y <- numeric(length = length(x))
for (i in seq_len(length(x))) {
ind <- c((i - floor(w / 2)):(i + floor(w / 2)))
ind <- ind[ind %in% seq_len(length(x))]
y[i] <- mean(x[ind])
}
y
# our working horse:
moving_fn <- function(x, w, fun, ...) {
# x = vector with numeric data
# w = window length
# fun = function to apply
# side = side to take, (c)entre, (l)eft or (r)ight
# ... = parameters passed on to 'fun'
y <- numeric(length(x))
for (i in seq_len(length(x))) {
if (side %in% c("c", "centre", "center")) {
ind <- c((i - floor(w / 2)):(i + floor(w / 2)))
} else if (side %in% c("l", "left")) {
ind <- c((i - floor(w) + 1):i)
} else if (side %in% c("r", "right")) {
ind <- c(i:(i + floor(w) - 1))
} else {
stop("'side' must be one of 'centre', 'left', 'right'", call. = FALSE)
}
ind <- ind[ind %in% seq_len(length(x))]
y[i] <- fun(x[ind], ...)
}
y
}
# and now any variation you can think of!
moving_average <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = mean, side = side, na.rm = na.rm)
}
moving_sum <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = sum, side = side, na.rm = na.rm)
}
moving_maximum <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = max, side = side, na.rm = na.rm)
}
moving_median <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = median, side = side, na.rm = na.rm)
}
moving_Q1 <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = quantile, side = side, na.rm = na.rm, 0.25)
}
moving_Q3 <- function(x, w = 5, side = "centre", na.rm = FALSE) {
moving_fn(x = x, w = w, fun = quantile, side = side, na.rm = na.rm, 0.75)
}
wma <- function(x) {
wts <- c(seq(0.5, 4, 0.5), seq(3.5, 0.5, -0.5))
nside <- (length(wts)-1)/2
# pad x with begin and end values for filter to avoid NAs
xp <- c(rep(first(x), nside), x, rep(last(x), nside))
z <- stats::filter(xp, wts/sum(wts), sides = 2) %>% as.vector
z[(nside+1):(nside+length(x))]
}
apply(embed(x, k), 1, mean)
v=1:1000*0.002+rnorm(1000)
mrng=rep(1:round(length(v)/60+0.5), length.out=length(v), each=60)
aggregate(v~mrng, FUN=mean, na.rm=T)