파이썬, NumPy 및 SciPy를 사용하여 롤링/이동 평균 계산
이 글에서는 파이썬, NumPy 및 SciPy를 사용하여 롤링/이동 평균을 계산하는 방법에 대해 설명합니다. 롤링/이동 평균은 일정 기간 동안의 데이터 평균을 계산하는 통계 기법으로, 시계열 데이터 분석에서 흔히 사용됩니다.
필수 라이브러리
이 글에서 사용할 라이브러리는 다음과 같습니다.
- NumPy: Python에서 수치 계산을 위한 기본 라이브러리입니다.
- SciPy: NumPy를 보완하는 과학적 계산을 위한 라이브러리입니다.
NumPy를 사용한 롤링 평균 계산
NumPy에는 np.rolling.mean()
함수를 사용하여 롤링 평균을 간편하게 계산할 수 있습니다. 이 함수는 다음과 같은 매개변수를 사용합니다.
- window: 이동 창 크기입니다.
- center: 창의 중심 위치를 지정합니다. 'center'가 'left' (기본값)인 경우 창의 왼쪽 끝은 첫 번째 데이터 지점에 일치합니다. 'center'가 'right'인 경우 창의 오른쪽 끝은 마지막 데이터 지점에 일치합니다.
다음은 NumPy를 사용하여 롤링 평균을 계산하는 예제 코드입니다.
import numpy as np
# 데이터 생성
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# 5개 데이터 지점을 사용하여 롤링 평균 계산
rolling_mean = np.rolling.mean(data, window=5)
print(rolling_mean)
위 코드는 다음과 같은 결과를 출력합니다.
[3. 4. 5. 6. 7. 8. 9.]
SciPy에는 scipy.signal.filtfilt()
함수를 사용하여 롤링 평균을 계산할 수 있습니다. 이 함수는 무한 임펄스 응답 (IIR) 필터를 사용하여 데이터를 필터링합니다.
import numpy as np
from scipy.signal import filtfilt
# 데이터 생성
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# 5개 데이터 지점을 사용하여 롤링 평균 계산
b, a = signal.butter(1, 2/(np.pi * 5))
rolling_mean = filtfilt(b, a, data)
print(rolling_mean)
위 코드는 NumPy 예제 코드와 동일한 결과를 출력합니다.
시각화
Matplotlib을 사용하여 롤링 평균을 시각화할 수 있습니다.
import matplotlib.pyplot as plt
# 데이터 및 롤링 평균 계산
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
rolling_mean = np.rolling.mean(data, window=5)
# 시각화
plt.plot(data, label='Original Data')
plt.plot(rolling_mean, label='Rolling Mean')
plt.xlabel('Time')
plt.ylabel('Value')
plt.title('Rolling Mean Example')
plt.legend()
plt.show()
예제 코드: 1D 및 2D 배열에 대한 롤링 평균 계산
본 답변에서는 1D 및 2D 배열에 대한 롤링 평균 계산을 위한 코드를 보완합니다.
1D 배열
예제 1: 고정된 창 크기 사용
import numpy as np
# 데이터 생성
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# 5개 데이터 지점을 사용하여 롤링 평균 계산
rolling_mean = np.rolling.mean(data, window=5)
print(rolling_mean)
import numpy as np
# 데이터 생성
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# 창 크기를 배열로 지정하여 변동 창 크기 사용
window_size = [3, 5, 7]
for window in window_size:
rolling_mean = np.rolling.mean(data, window=window)
print(f"Window size: {window}, Rolling mean: {rolling_mean}")
예제 3: 특정 축을 따라 롤링 평균 계산
import numpy as np
# 데이터 생성
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# axis=0을 따라 롤링 평균 계산 (행별로 계산)
rolling_mean = np.rolling.mean(data, window=2, axis=0)
print(rolling_mean)
import numpy as np
from scipy.signal import filtfilt
# 데이터 생성
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# 5개 데이터 지점을 사용하여 롤링 평균 계산
b, a = signal.butter(1, 2/(np.pi * 5))
rolling_mean = filtfilt(b, a, data)
print(rolling_mean)
2D 배열
import numpy as np
# 데이터 생성
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# axis=0을 따라 롤링 평균 계산 (행별로 계산)
rolling_mean = np.rolling.mean(data, window=2, axis=0)
print(rolling_mean)
# axis=1을 따라 롤링 평균 계산 (열별로 계산)
rolling_mean = np.rolling.mean(data, window=2, axis=1)
print(rolling_mean)
2D 배열에 대한 롤링 평균 계산을 위해 SciPy를 사용하는 방법은 1D 배열과 거의 동일합니다. filtfilt
함수에 axis
매개변수를 지정하여 원하는 축을 따라 필터링할 수 있습니다.
import numpy as np
from scipy.signal import filtfilt
# 데이터 생성
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# axis=0을 따라 롤링 평균 계산 (행별로 계산)
b, a
롤링 평균 계산을 위한 대체 방법
직접 반복 구현
가장 기본적인 방법은 직접 반복문을 사용하여 롤링 평균을 계산하는 것입니다. 다음은 1D 배열에 대한 롤링 평균을 계산하는 간단한 예제입니다.
def rolling_mean(data, window_size):
rolling_means = []
for i in range(len(data)):
start_index = max(0, i - window_size // 2)
end_index = min(i + window_size // 2 + 1, len(data))
window_data = data[start_index:end_index]
rolling_means.append(np.mean(window_data))
return rolling_means
이 방법은 간단하지만 NumPy 및 SciPy 함수보다 느릴 수 있습니다. 또한 특히 2D 이상의 배열에 대해 롤링 평균을 계산할 때 코드가 복잡해질 수 있습니다.
Pandas 라이브러리 사용
Pandas는 데이터 분석을 위한 인기있는 Python 라이브러리입니다. Pandas에는 rolling()
함수를 사용하여 롤링 평균을 간편하게 계산할 수 있습니다.
import pandas as pd
# 데이터 생성
data = pd.Series([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# 5개 데이터 지점을 사용하여 롤링 평균 계산
rolling_mean = data.rolling(window=5).mean()
print(rolling_mean)
Pandas는 2D 데이터프레임에 대한 롤링 평균 계산을 포함하여 더 많은 기능을 제공합니다.
특수화된 라이브러리 사용
특정 유형의 데이터 또는 분석 작업에 최적화된 롤링 평균 계산을 위한 특수 라이브러리가 많이 있습니다. 예를 들어 statsmodels
라이브러리는 ARIMA 모델과 같은 통계 모델에 대한 롤링 평균 계산을 위한 함수를 제공합니다.
선택 방법
롤링 평균 계산 방법을 선택할 때는 다음과 같은 요소를 고려해야 합니다.
- 데이터 형식: 1D, 2D 또는 다차원 배열인가요?
- 창 크기: 고정된 창 크기를 사용하나요, 아니면 변동 창 크기를 사용하나요?
- 필요한 기능: 특수한 기능 (예: ARIMA 모델에 대한 롤링 평균)이 필요한가요?
- 성능: 계산 속도가 중요한가요?
python numpy time-series