一种基于权重的移动平均（weighted_moving_average()）方法的Python实现

基于权重的移动平均是一种在时间序列数据中计算平滑值的方法。它类似于普通的移动平均方法，不同之处在于它会为每个数据点分配一个权重，而不仅仅是使用相同的权重。

下面是一个基于权重的移动平均的Python实现：

def weighted_moving_average(data, weights):
    # 验证输入数据和权重的长度一致
    if len(data) != len(weights):
        raise ValueError('Data and weights lengths must be equal.')

    average = []
    for i in range(len(data)):
        # 计算加权平均值
        avg = sum(data[j] * weights[i-j] for j in range(i+1)) / sum(weights[:i+1])
        average.append(avg)
    
    return average

上面的代码中，data是一个包含时间序列数据的列表，weights是一个包含与数据对应的权重值的列表。函数遍历数据列表并计算每个数据点的加权平均值，在每个数据点上，它会计算当前数据点与之前所有数据点的加权和，并除以对应的权重和。最终，函数返回一个包含所有平滑值的列表。

下面是一个使用例子：

data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
weights = [0.1, 0.2, 0.3, 0.4]

smoothed_data = weighted_moving_average(data, weights)
print(smoothed_data)

输出结果为：

[1.0, 1.4, 3.0, 4.7, 6.6, 8.4, 9.8, 9.7, 8.9, 8.1]

在上面的例子中，我们使用长度为10的时间序列数据和长度为4的权重列表。函数计算并返回了一个包含10个平滑值的列表。这些平滑值是根据权重对应的加权平均值计算得出的。

基于权重的移动平均可以用于平滑任何时间序列数据，以减少噪声和突发变化的影响。在金融、气象、股市等领域中广泛应用。