DataFrame.ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, adjust=True, ignore_na=False, axis=0)
提供指数加权函数。
0.18.0版中的新功能。
参数： | com ： 根据质心指定衰减， span ： 根据范围指定衰减， halflife ： 根据半衰期指定衰减， alpha ： 直接指定平滑系数α， 0.18.0版中的新功能。 min_periods ： 窗口中具有值的最小观察数（否则结果为NA）。 adjust ： 除以开始阶段的衰减调整因子， 以解释相对权重的不平衡(将EWMA视为移动平均线)。 ignore_na ： 计算权重时忽略缺失值；指定True可重现0.15.0之前的行为。 axis ： {0或'index'，1或'columns'}，默认 要使用的轴。值0标识行，值1标识列。 |
返回值： |
为特定操作子分类的Window。 |
Notes
必须提供质心(mass)，跨度(span)，半衰期(half-life)和alpha值之一。参数的允许值和关系在上面的参数描述中指定；有关详细说明，请参见本节末尾的链接。
当adjust为True（默认）时，将使用权重(1-alpha)**(n-1),(1-alpha)**(n-2),…,1-alpha，1来计算加权平均值。
当adjust为False时，将按以下方式递归计算加权平均值：weighted_average [0] = arg [0]; weighted_average [i] =(1-alpha)* weighted_average [i-1] + alpha * arg [i]。
当ignore_na为False（默认）时，权重基于绝对位置。例如，用于计算[x，None，y]的最终加权平均值的x和y的权重分别为(1-alpha)** 2和1（如果adjust为True）和(1-alpha)** 2和alpha（如果adjust为False）。
当ignore_na为True（再现0.15.0之前的行为）时，权重基于相对位置。例如，用于计算[x，None，y]的最终加权平均值的x和y的权重分别为1-alpha和1（如果adjust为True）和1-alpha和alpha（如果adjust为False）。
例子
1）计算指数加权移动平均
import pandas as pd
# 创建一个简单的 DataFrame
data = {'value': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]}
df = pd.DataFrame(data)
# 计算指数加权移动平均
df['ewm_mean'] = df['value'].ewm(span=3).mean()
print(df)
2）使用 halflife 参数
import pandas as pd
# 创建一个简单的 DataFrame
data = {'value': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]}
df = pd.DataFrame(data)
df['ewm_halflife'] = df['value'].ewm(halflife=2).mean()
print(df)3）计算加权标准差
import pandas as pd
# 创建一个简单的 DataFrame
data = {'value': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]}
df = pd.DataFrame(data)
df['ewm_std'] = df['value'].ewm(span=3).std()
print(df)
4）使用示例
import pandas as pd
import numpy as np
# 创建一个包含NaN值的DataFrame
df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]})
print("原始 DataFrame:")
print(df)
# 使用 ewm 方法计算指数加权移动平均（使用 com=0.5）
result = df.ewm(com=0.5).mean()
print("\n使用 ewm(com=0.5).mean() 后的结果:")
print(result)