04.5.1
移動平均と移動標準偏差
pandas.Series.rolling(window=14, center=True) を適用し、.mean() と .std() の 2 本を 1 枚の図に重ねます。読み終えると、移動平均の傾きから非定常の疑いを、帯の広がりから分散の変化を、それぞれ別々に読み取れるようになります。直感 #
毎日の歩数を 200 日分折れ線にすると、部活のある日と休みの日で激しく上下して流れが読めません。そこで「今日を中心に前後 7 日、合わせて 14 日分の平均」を毎日計算して点を打ち直すと、プラスとマイナスのノイズが打ち消し合って滑らかな線になります。これが移動平均です。同じ 14 日分で標準偏差も計算し、平均の上下に帯として塗れば、「どの時期に歩数が荒れていたか」も同じ図で分かります。平均は「水準の流れ」、標準偏差は「揺れの大きさ」と、2 つの別の情報を 1 枚に重ねるのがこの図のねらいです。
何が起きているか(ステップで見る) #
コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。
見るポイント:窓の中の平均を窓の中央に打つだけ。窓を広げるほど滑らかだが、山や谷が遅れて現れる。コードの center=True はこの遅れを窓の半分(7 日)だけ戻して打ち消す設定で、代わりに両端 7 日分の値が欠ける。
式で見ると何がどれだけ残るか #
時刻 \(t\) を中心にした窓幅 14 の移動平均と移動標準偏差は
$$ m_t = \frac{1}{14} \sum_{i=t-7}^{t+6} y_i, \qquad s_t = \sqrt{\frac{1}{13} \sum_{i=t-7}^{t+6} (y_i - m_t)^2} $$です。このページの系列は \(y_t = 80 + 0.12t + 5\sin(2\pi t/20) + \varepsilon_t\)(\(\varepsilon_t \sim N(0, 1.8^2)\))なので、移動平均 \(m_t\) の中でトレンド \(0.12t\) はそのまま残り、ノイズは 14 個の平均で標準偏差 \(1.8/\sqrt{14} \approx 0.48\) まで縮みます。周期 20 日の波は 14 日の窓で 7 割周期しか入らないため、振幅が \(5 \times \sin(14\pi/20)/(14\sin(\pi/20)) \approx 1.8\) に減って残ります。移動標準偏差 \(s_t\) にはノイズの 1.8 に加えて「窓の中で波とトレンドがどれだけ動いたか」が入るので、波の斜面では帯が広く、山や谷の付け根では狭くなります。
Python で移動平均と ±1σ の帯を描く #
次のコードは、上の式どおりの 200 日の系列を作り、窓幅 14 の移動平均を太い青線、移動平均 ± 移動標準偏差の範囲を水色の帯として、灰色の原系列に重ねます。
| |
実行結果の読み方 #
灰色の原系列は 80 付近から 104 付近(80 + 0.12 × 199 ≈ 104)まで上がりながら、周期 20 日の波とノイズで細かく上下します。青い 14 日移動平均はギザギザが消え、右上がりの傾きと振幅約 1.8 に縮んだ波だけが残ります。この線が両端で 7 日ほど短いのは center=True の副作用です。水色の帯は移動標準偏差の分だけ上下に広がり、幅はおよそ 2 × 1.8 = 3.6 を中心に、波の斜面で広く、山や谷の付け根で狭くなります。実データで帯が特定の期間だけ急に広がっていれば、その期間に分散を変える出来事(キャンペーン、障害、季節の切り替わり)があったと疑います。
使いどころと落とし穴 #
窓幅 window はデータの周期に合わせます。曜日のクセを消すなら 7、月のクセなら 30 のように、1 周期分をちょうど含む幅にすると周期の山と谷が打ち消されます。この例の 14 は周期 20 の 7 割なので波が 36% 残り、「消し切れない」見本になっています。移動平均がずっと傾いていれば平均が時間で変わる非定常の疑いなので、ARIMA に進む前に差分を検討します。帯は「平均 ± 1σ」の目安であって、はみ出した日が即異常ではありません。正規分布なら 3 日に 1 日ははみ出すのが普通で、異常判定には ±3σ や Z スコアを使います。
- ローリング相関 — 固定窓で2系列の関係変化を追跡
- 移動平均の折れ線グラフ — 移動平均を重ねてトレンドを滑らかに表示
- リサンプリングでトレンド抽出 — 日次→週次変換でトレンドを抽出