Python中关于权重移动平均（weighted_moving_average()）的详细讲解

权重移动平均是一种用于平滑时间序列数据的方法，它会对最近的数据赋予更高的权重，而对较远的数据赋予较低的权重。Python中可以通过创建一个权重数组，然后将数据与权重相乘并求和来实现权重移动平均。

下面是一个实现权重移动平均的函数weighted_moving_average()的详细讲解，以及一个使用例子：

import numpy as np

def weighted_moving_average(data, weights):
    """
    函数功能：计算给定数据的权重移动平均
    参数：
    - data：要进行平滑的时间序列数据，可以是一个列表或数组
    - weights：权重数组，用于给每个数据点赋予权重，长度应与data相同，权重越近，值越大
    返回值：
    - 平滑后的数据
    """
    weighted_sum = 0  # 权重和初始化为0
    weighted_average = []  # 平滑后的数据列表
    
    for i in range(len(data)):
        weighted_sum += data[i] * weights[i]  # 数据点与对应权重相乘，并累加到平滑总和
        
        weighted_average.append(weighted_sum / sum(weights[:i+1]))  # 平滑总和除以权重总和得到平均值
    
    return weighted_average

# 测试数据
data = [1, 2, 3, 4, 5]
weights = [0.1, 0.2, 0.3, 0.2, 0.1]

# 计算权重移动平均
smooth_data = weighted_moving_average(data, weights)
print(smooth_data)

上述代码首先定义了一个函数weighted_moving_average()，接受两个参数：要进行平滑的时间序列数据和对应的权重数组。函数内部定义了两个变量：

- weighted_sum：用于累加数据点与对应权重的乘积，初始化为0。

- weighted_average：用于存储平滑后的数据，初始化为空列表。

接下来，函数使用一个for循环遍历数据列表，每个循环中执行以下操作：

- 将当前数据点与对应权重的乘积累加到weighted_sum中。

- 计算截止到当前数据点的权重总和，并将weighted_sum除以该权重总和得到平局值，并将该平均值添加到weighted_average列表中。

最后，函数返回平滑后的数据列表。

在上述代码中，我们使用了一个数据列表data，其中包含5个整数。权重数组weights的长度也为5，分别为[0.1, 0.2, 0.3, 0.2, 0.1]，数据点越近，权重越大。通过调用weighted_moving_average()函数，并传入数据和权重数组，可以得到平滑后的数据。

运行上述代码后，输出结果为：[1.0,2.0,2.4,3.4,4.4]，即对给定数据进行了权重移动平均。

希望以上内容对您有所帮助！