Метод скользящей средней

# разработка с помощью методов экстраполяции
# Область предопределённый переменных
N = 0.1 # Дополнение с учётом порядкового номера в списке группы
base = [40018,35802,32671,31776,
        28921,16108,16958,36269,27346,26466,
        22737,18751,11967,12069,21885,17447,
        15374,14524,12319,7697,7684] # Исходный числовой ряд
prognoz = 21 # сколько переменных нужно прогнозировать
n = 21 # база метода скользящей средней (то сколько чисел мы берём и на что делим в формуле)
alpha = 0.3  # альфа для расчёта в третьем метода
#
 
# Область переменных для записи результата
y1 = 0 # задание переменных для вычисления (y - прогнозируемая переменная)
y2 = 0
y3 = 0
#
 
# Область временных переменных
temp = 0
 
 
# метод со скользящей средней (первый метод)
print("1-ый метод: Скользящей средней")
massiv_method1 = list(base) # Создаём копию оригинального числового ряда для страховки и используем её
for j in range(prognoz): # начало цикла столько раз сколько нужно прогнозировать переменных
    for i in range(n): # цикл считывания переменных с конца для просчёта прогнозируемой переменной
        temp = temp + massiv_method1[len(massiv_method1)-i-1] # подсчёт числителя в формуле
    y1 = temp/n # конец формулы
    massiv_method1.append(y1) # добавление высчитанного прогнозируемого числа в конец первого скопированного списка
    print(len(massiv_method1)," - й член числового ряда","%.2f" %(y1)) # вывод этого прогнозируемого числа (Здесь "%.2f" % - форматирование вывода (2 знака после запятой))
    temp = 0
# print ("Вид числового ряда при использовании 1-го метода:",massiv_method1)

li=[3, 5, 7, 2, 8, 10, 11, 65, 72, 81, 99, 100, 150]
 
#variable for storing average for each moving average
avg=0;
 
#initialize window, number of numbers whose average should be taken at a time
window=3
 
#print the header
print('Sr.No.'+'\t'+'Participating Numbers'+ '\t'*(window-2) +'Average')
print('-'*8*(window+2))
 
#loop till n-k+1 element
for i in range(len(li)-window+1):
    #print the moving average serial number
    print(' '+str(i+1), end='\t')
    
    #initialize average to 0
    avg=0
    
    #loop and add next window number of items
    for j in range(window):
        avg=avg+li[j+i]
        print(li[j+i], end='\t')
        
    #print the average over each iteration
    print("{:3.2f}".format(avg/window))

from sklearn.metrics import mean_absolute_error
 
mape = mean_absolute_error(y_test, y_predicted) / y_test.abs().sum()