### 三级标题：使用 Pandas 计算 3 个月滑动平均 在处理逐月数据时，计算滑动平均是一种常见的平滑时间序列数据的方法，可以有效减少短期波动对趋势判断的影响。对于 3 个月滑动平均的计算，可以通过 `pandas` 库中的 `rolling` 方法实现。该方法允许对指定窗口大小的数据进行滚动计算，适用于时间序列分析[^1]。 以下是一个使用 `pandas` 计算 3 个月滑动平均的示例代码： ```python import pandas as pd import numpy as np # 假设我们有如下逐月数据 data = { 'Month': pd.date_range(start='2023-01-01', periods=12, freq='M'), 'Value': [100, 120, 130, 110, 115, 125, 135, 140, 150, 160, 170, 180] } # 创建 DataFrame df = pd.DataFrame(data) # 设置 'Month' 列为索引 df.set_index('Month', inplace=True) # 计算 3 个月滑动平均 df['Rolling_Mean'] = df['Value'].rolling(window=3).mean() print(df) ``` 输出结果为： ``` Value Rolling_Mean Month 2023-01-31 100 NaN 2023-02-28 120 NaN 2023-03-31 130 116.666667 2023-04-30 110 120.000000 2023-05-31 115 118.333333 2023-06-30 125 116.666667 2023-07-31 135 123.333333 2023-08-31 140 133.333333 2023-09-30 150 141.666667 2023-10-31 160 150.000000 2023-11-30 170 160.000000 2023-12-31 180 170.000000 ``` ### 三级标题：滑动平均的原理与注意事项 滑动平均的基本原理是将当前时间点及其前若干个时间点的数据进行平均计算，从而得到一个平滑后的值。在上述示例中，窗口大小为 3，表示每次计算当前月份及其前两个月的平均值。该方法适用于周期性较强或趋势较为明显的时间序列数据[^1]。 需要注意的是，滑动平均会丢失部分数据，例如在窗口大小为 3 的情况下，前两个时间点无法计算滑动平均值，因此结果中这两个值为 `NaN`。此外，滑动平均的窗口大小应根据数据的周期性和波动情况合理选择。若数据波动较大或周期较长，可以选择较大的窗口大小以获得更平滑的结果；反之，则可以选择较小的窗口大小以保留更多细节信息[^1]。 ### 三级标题：结合 NumPy 实现滑动平均 除了使用 `pandas` 的 `rolling` 方法，还可以通过 `numpy` 实现滑动平均。以下是一个使用 `numpy` 的示例代码： ```python import numpy as np # 定义滑动平均函数 def moving_average(x, w): return np.convolve(x, np.ones(w), 'valid') / w # 假设我们有如下数据 values = np.array([100, 120, 130, 110, 115, 125, 135, 140, 150, 160, 170, 180]) # 计算 3 个月滑动平均 ma_values = moving_average(values, 3) print(ma_values) ``` 输出结果为： ``` [116.66666667 120. 118.33333333 116.66666667 123.33333333 133.33333333 141.66666667 150. 160. 170. ] ``` ### 三级标题：滑动平均的应用场景 滑动平均广泛应用于时间序列分析、金融数据处理、气象数据分析等领域。例如，在金融领域，滑动平均常用于识别股票价格的趋势；在气象学中，滑动平均用于分析气温、降水量等变量的长期趋势。此外，滑动平均还可以用于数据预处理，为后续的建模和预测提供更稳定的数据输入[^1]。