Rullande glidande medelvärde i r

bredden på det rörliga fönstret måste vara ett heltal mellan 1 och n ett alternativ att välja olika algoritmer C - En version är skriven i C. Den kan hantera icke-ändliga nummer som NaNs och Infs (som medelvärde (x, na. rm TRUE)) . Det fungerar snabbast för endrulemean. snabb - andra, ännu snabbare, C-version. Denna algoritm fungerar inte med icke-ändliga nummer. Det fungerar också det snabbaste för endrule annat än medelvärde. R - mycket långsammare kod skrivet i R. Användbar för debugging och som dokumentation. exakt - samma som C. med undantag för att alla tillägg utförs med hjälp av algoritmen som spårar och korrigerar tillägg avrundningsfel teckensträng som anger hur värdena i början och slutet av data ska behandlas. Endast de första och sista k2-värdena i båda ändarna påverkas, där k2 är halvbandbredden k2k 2. mean - tillämpar den underliggande funktionen på mindre och mindre delar av matrisen. Ekvivalent med: för (i i 1: k2) outi medelvärdet (x1: (ik2)). Detta alternativ är implementerat i C om algC. annars görs i R. trim-trim ändarna utmatnings array längd är lika med längden (x) -2k2 (ut (k21) :( n-k2)). Det här alternativet liknar utmatningen av tillämpa (inbädda (x, k), 1, medelvärde) och andra relaterade funktioner. fortsätt - fyll i ändarna med siffror från x-vektor (out1: k2 x1: k2) konstant - fyll i ändarna med första och sista beräknade värdet i utmatningsraden (out1: k2 outk21) NA - fyll i ändarna med NA (ut1: k2 NA ) func - samma som medelvärde men implimented i R. Det här alternativet kan vara mycket långsamt och ingår i huvudsak för testning. Liknande ändringar i runmed funktion som har följande alternativ: ldquo c (median, behåll konstant) rdquo. specifies whether result bör centreras (standard), vänsterjusterad eller högerlinjad. Om endrule betyder att inställningen inriktas åt vänster eller höger kommer den att falla tillbaka på långsammare genomförande som motsvarar endrule func. Förutom slutvärdena är resultatet av y runmean (x, k) detsamma som ldquo för (j (1k2) :( n-k2)) yjmean (x (j-k2) :( jk2)) rdquo. Det främsta incitamentet att skriva denna uppsättning funktioner var relativt långsamhet av majoriteten av rörliga fönsterfunktioner som finns i R och dess paket. Med undantag för runmed. En runda fönstermedianfunktion, alla funktioner som anges i se även avsnittet är långsammare än mycket ineffektiva ldquo-tillämpningar (inbädda (x, k), 1, FUN) rdquo-tillvägagångssätt. Relativ hastighet för runmean-funktionen är O (n). Funktion EndRule tillämpar en av de fem metoderna (se endrule argument) för att bearbeta slutpunkterna i ingångs-arrayen x. I den nuvarande versionen av koden beräknas default endrulemean-alternativet inom C-kod. Det görs för att förbättra hastigheten vid stora rörliga fönster. Vid runmean (. Algexact) funktion används en särskild algoritm (se referensavsnittet) för att säkerställa att avrundningsfel inte ackumuleras. Som ett resultat är Runmean mer exakt än filter (x, rep (1k, k)) och Runmean (.algC) funktioner. Returnerar en numerisk vektor eller matris av samma storlek som x. Endast vid endruletrim blir utgångsvektorerna kortare och utgångsmatriserna har färre rader. Funktionen runmean (. Algexact) är baserad på kod av Vadim Ogranovich, som bygger på Python-kod (se senaste referensen), påpekad av Gabor Grothendieck. Referenser Om runda felkorrigering som används i runmean. Shewchuk, Jonathan Adaptive Precision Floating-Point Aritmetic och Snabb Robust Geometrisk Predikat. www-2.cs. cmu. eduafscsprojectquakepublicpapersrobust-arithmetic. ps Mer om avrundad felkorrigering finns på: aspn. activestateASPNCookbookPythonRecipe393090 Länkar relaterade till: moving mean-mean. kernapply. filtrera. bryta ned. stl. rollmean från zoo bibliotek, subsums från magiska biblioteket, Andra rörliga fönsterfunktioner från detta paket: runmin. runmax. runquantile. runmad och runsd runmed generiska löpfönster funktioner: tillämpa (inbädda (x, k), 1, FUN) (snabbast), springa från gtools-paketet (extremt långsam för detta ändamål), subsum från magiska biblioteket kan utföra löpande fönsteroperationer på data med några dimensioner. Paket caTools version 1.12 IndexMoving Average I det här exemplet lär du dig hur du beräknar glidande medelvärdet för en tidsserie i Excel. Ett glidande medel används för att jämna ut oegentligheter (toppar och dalar) för att enkelt kunna känna igen trender. 1. Låt oss först titta på våra tidsserier. 2. Klicka på Dataanalys på fliken Data. Obs! Kan inte hitta knappen Data Analysis Klicka här för att ladda verktyget Analysis ToolPak. 3. Välj Flytta genomsnitt och klicka på OK. 4. Klicka i rutan Inmatningsområde och välj intervallet B2: M2. 5. Klicka i rutan Intervall och skriv 6. 6. Klicka i rutan Utmatningsområde och välj cell B3. 8. Skriv ett diagram över dessa värden. Förklaring: Eftersom vi ställer intervallet till 6 är det rörliga genomsnittet genomsnittet för de föregående 5 datapunkterna och den aktuella datapunkten. Som ett resultat utjämnas toppar och dalar. Diagrammet visar en ökande trend. Excel kan inte beräkna det rörliga genomsnittet för de första 5 datapunkterna, eftersom det inte finns tillräckligt med tidigare datapunkter. 9. Upprepa steg 2 till 8 för intervall 2 och intervall 4. Slutsats: Ju större intervall desto mer toppar och dalar släpper ut. Ju mindre intervallet desto närmare de rörliga medelvärdena är de faktiska datapunkterna. Jag har en tidsserie i ggplot2-paketet och jag har utfört det rörliga genomsnittet och jag skulle vilja lägga till resultatet av att flytta genomsnittet till tidens tid serier. Prov av dataset (p31): ambtemp dt -1.14 2007-09-29 00:01:57 -1.12 2007-09-29 00:03:57 -1.33 2007-09-29 00:05:57 -1.44 2007 -09-29 00:07:57 -1.54 2007-09-29 00:09:57 -1.29 2007-09-29 00:11:57 Tillämpad kod för tidsseriepresentation: Prov av rörlig genomsnittsprov Prov av förväntat resultat The utmaning är att tidsseriedata överträffas från dataset som inkluderar tidsstämplar och temperatur men Flytta genomsnittsdata inkluderar bara medelkolumnen och inte tidstämplarna och montering av dessa två kan orsaka inkonsekvens.