缺失月份的3个月滚动平均值

基础概念

3个月滚动平均值（Moving Average, MA）是一种常用的统计分析方法，用于平滑时间序列数据，减少短期波动的影响，突出长期趋势或周期。具体来说，3个月滚动平均值是指在给定的时间点上，过去连续三个月数据的平均值。

类型

简单移动平均（SMA）：每个数据点的权重相同。
加权移动平均（WMA）：不同数据点有不同的权重，通常近期数据权重更高。
指数移动平均（EMA）：对最近的数据赋予更高的权重，衰减因子决定了旧数据的权重下降速度。

应用场景

金融分析：用于分析股票价格、汇率等金融指标的趋势。
销售预测：帮助企业预测未来销售趋势，制定库存计划。
资源分配：根据历史数据预测未来的资源需求，优化资源配置。

遇到的问题及原因

问题：缺失月份的3个月滚动平均值如何计算？

原因：在实际数据集中，可能会遇到某些月份的数据缺失，这会影响滚动平均值的计算。

解决方法

方法一：插值填充

可以使用插值方法（如线性插值、多项式插值等）来填补缺失值，然后再计算滚动平均值。

示例代码（Python）：

import pandas as pd
import numpy as np

# 示例数据
data = {
    'date': ['2023-01-01', '2023-02-01', '2023-04-01', '2023-05-01', '2023-06-01'],
    'value': [10, 15, np.nan, 25, 30]
}
df = pd.DataFrame(data)
df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)

# 线性插值填补缺失值
df['value'] = df['value'].interpolate(method='linear')

# 计算3个月滚动平均值
df['rolling_avg'] = df['value'].rolling(window=3).mean()

print(df)

方法二：跳过缺失值

如果缺失值较少，可以选择直接跳过这些月份，只计算有效数据的滚动平均值。

示例代码（Python）：

import pandas as pd
import numpy as np

# 示例数据
data = {
    'date': ['2023-01-01', '2023-02-01', '2023-04-01', '2023-05-01', '2023-06-01'],
    'value': [10, 15, np.nan, 25, 30]
}
df = pd.DataFrame(data)
df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)

# 过滤掉缺失值
df = df.dropna(subset=['value'])

# 计算3个月滚动平均值
df['rolling_avg'] = df['value'].rolling(window=3).mean()

print(df)