一种简单的方法是使用
np.convolve。其背后的想法是利用离散卷积的计算方式，并使用它来返回
滚动平均值
。这可以通过
np.ones对长度等于我们想要的滑动窗口长度的序列进行卷积来完成。
为此，我们可以定义以下函数：
def moving_average(x, w): return np.convolve(x, np.ones(w), 'valid') / w
该函数将对序列
x和长度为1的序列进行卷积
w。请注意，选择的
mode方式
valid是仅对序列完全重叠的点给出卷积。
一些例子：
x = np.array([5,3,8,10,2,1,5,1,0,2])
对于具有窗口长度的移动平均值，
2我们将有：
moving_average(x, 2)# array([4. , 5.5, 9. , 6. , 1.5, 3. , 3. , 0.5, 1. ])
对于一个长度的窗口
4：
moving_average(x, 4)# array([6.5 , 5.75, 5.25, 4.5 , 2.25, 1.75, 2. ])
convolve
工作如何？
让我们更深入地了解离散卷积的计算方式。以下功能旨在复制
np.convolve计算输出值的方式：
def mov_avg(x, w): for m in range(len(x)-(w-1)): yield sum(np.ones(w) * x[m:m+w]) / w
对于上面的相同示例，这还将产生：
list(mov_avg(x, 2))# [4.0, 5.5, 9.0, 6.0, 1.5, 3.0, 3.0, 0.5, 1.0]
所以在每个步骤要做的是取一个数组与当前 窗口 之间的内积。在这种情况下，乘以
np.ones(w)是多余的，因为我们直接取
sum序列的。
波纹管是一个示例，该示例说明了如何计算第一个输出，从而使输出更加清晰。假设我们需要一个窗口
w=4：
[1,1,1,1][5,3,8,10,2,1,5,1,0,2]= (1*5 + 1*3 + 1*8 + 1*10) / w = 6.5
并且以下输出将计算为：
[1,1,1,1][5,3,8,10,2,1,5,1,0,2]= (1*3 + 1*8 + 1*10 + 1*2) / w = 5.75
依此类推，一旦执行了所有重叠操作，就返回序列的移动平均值。
