Flytende gjennomsnitt Dette eksemplet lærer deg hvordan du beregner det bevegelige gjennomsnittet av en tidsserie i Excel. Et glidende gjennomsnitt brukes til å utjevne uregelmessigheter (topper og daler) for enkelt å gjenkjenne trender. 1. Først, ta en titt på vår tidsserie. 2. På Data-fanen klikker du Dataanalyse. Merk: kan ikke finne dataanalyseknappen Klikk her for å laste inn add-in for Analysis ToolPak. 3. Velg Flytt gjennomsnitt og klikk OK. 4. Klikk i feltet Inngangsområde og velg området B2: M2. 5. Klikk i intervallboksen og skriv inn 6. 6. Klikk i feltet Utmatingsområde og velg celle B3. 8. Skriv en graf av disse verdiene. Forklaring: fordi vi angir intervallet til 6, er glidende gjennomsnitt gjennomsnittet for de forrige 5 datapunktene og det nåværende datapunktet. Som et resultat blir tinder og daler utjevnet. Grafen viser en økende trend. Excel kan ikke beregne det bevegelige gjennomsnittet for de første 5 datapunktene fordi det ikke er nok tidligere datapunkter. 9. Gjenta trinn 2 til 8 for intervall 2 og intervall 4. Konklusjon: Jo større intervallet jo flere tinder og daler utjevnes. Jo mindre intervallet, jo nærmere de bevegelige gjennomsnittene er de faktiske datapunktene. Når du beregner et løpende glidende gjennomsnitt, er gjennomsnittet i midtperioden fornuftig. I det forrige eksempelet beregner vi gjennomsnittet av de første tre tidsperioder og plasseres det ved siden av periode 3. Vi kunne ha plassert gjennomsnittet midt i tidsintervallet på tre perioder, det vil si ved siden av periode 2. Dette fungerer bra med ulike tidsperioder, men ikke så bra for jevne tidsperioder. Så hvor skulle vi plassere det første glidende gjennomsnittet når M 4 Teknisk sett ville det bevegelige gjennomsnittet falle på t 2,5, 3,5. For å unngå dette problemet, slipper vi MAs ved hjelp av M 2. Dermed glatter vi de jevne verdiene. Hvis vi gjennomsnittlig et jevnt antall termer, må vi glatte de jevne verdiene. Følgende tabell viser resultatene ved å bruke M 4.David, Yes, MapReduce er ment å operere på en stor mengde data. Og ideen er at generelt, kartet og redusere funksjoner shouldn39t bry deg hvor mange mappers eller hvor mange reduksjonsmaskiner det er, det er bare optimalisering. Hvis du tenker nøye på algoritmen jeg postet, kan du se at det ikke betyr noe hvilken mapper får hvilke deler av dataene. Hver inngangspost vil være tilgjengelig for alle reduksjoner som krever det. ndash Joe K Sep 18 12 kl 22:30 I beste av min forståelse er glidende gjennomsnitt ikke pent kart til MapReduce-paradigmet siden beregningen er i hovedsak skyvevindu over sorterte data, mens MR behandler ikke-kryssede områder av sorterte data. Løsningen ser jeg som følger: a) Å implementere tilpasset partisjoner for å kunne lage to forskjellige partisjoner i to løp. I hvert løp vil reduksjonene dine få forskjellige dataområder og beregne glidende gjennomsnitt hvor passende jeg vil prøve å illustrere: I første omgang skal data for reduksjonsapparater være: R1: Q1, Q2, Q3, Q4 R2: Q5, Q6, Q7, Q8 . her vil du cacluate glidende gjennomsnitt for noen Qs. I neste runde bør reduksjonsapparatene få data som: R1: Q1. Q6 R2: Q6. Q10 R3: Q10..Q14 Og caclulate resten av bevegelige gjennomsnitt. Deretter må du samle resultater. Ideen til tilpasset partisjoner at den vil ha to driftsformer - hver gang å dele inn i like rekkevidde, men med litt skift. I en pseudokode vil det se slik ut. partisjon (keySHIFT) (MAXKEYnumOfPartitions) der: SHIFT vil bli tatt fra konfigurasjonen. MAXKEY maksimum verdi av nøkkelen. Jeg antar for enkelhet at de starter med null. RecordReader, IMHO er ikke en løsning siden den er begrenset til spesifikk splitt og kan ikke glide over splitsgrense. En annen løsning ville være å implementere egendefinert logikk for å dele inndataene (det er en del av InputFormat). Det kan gjøres å gjøre 2 forskjellige lysbilder, ligner på partisjonering.
No comments:
Post a Comment