ศูนย์กลางการ เคลื่อนไหว ค่าเฉลี่ย แม้กระทั่ง จำนวน

ในการคํานวณหาค่าเฉลี่ยเคลื่อนที่ของ l สำหรับจำนวนเต็มจำนวนเต็มเราต้องทำในสิ่งที่เรียกว่า centing moving average ถัดไปหาค่าเฉลี่ยเคลื่อนที่ศูนย์กลางโดยเฉลี่ยค่าที่อยู่ติดกันของค่าเฉลี่ยเคลื่อนที่เหล่านี้อย่างง่าย: เมื่อ l2 ค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางเรียกว่า Hanning เป็นแบบฟอร์มตัวอย่างเช่นพิจารณาการคำนวณค่าเฉลี่ยเคลื่อนที่ 4 ค่าใน 10 ค่าข้อมูลแรกของข้อมูล SASDATA. INTAIR (ชุดข้อมูลซึ่งประกอบด้วยตัวเลขรายเดือนในพันของผู้โดยสารบนเที่ยวบินระหว่างประเทศสำหรับ ปี 1949 ถึง 1960) ข้อมูลเดิม 112,118,132,129,121,135,148,148,136,119 หากต้องการคำนวณค่าเฉลี่ยเคลื่อนที่ 4 เทอมแรกให้คำนวณครั้งแรกจากนั้นค่าเฉลี่ยเคลื่อนที่แรกที่อยู่กึ่งกลาง 3 ค่าคือค่าแรกของค่าเฉลี่ยเคลื่อนที่ 4 ช่วงแรก เมื่อคำนวณค่าเฉลี่ยการเคลื่อนที่โดยเฉลี่ยแล้วค่าเฉลี่ยในช่วงเวลากลางจะมีความสมเหตุสมผลในตัวอย่างก่อนหน้านี้เราคำนวณค่าเฉลี่ย 3 ช่วงเวลาแรกและวางไว้ถัดจากช่วงเวลา 3 เราสามารถวางค่าเฉลี่ยในช่วงกลางของช่วงเวลาสามช่วงคือถัดจากช่วงเวลา 2 ซึ่งทำงานได้ดีกับช่วงเวลาแปลก แต่ไม่ค่อยดีเท่าช่วงเวลาที่เท่ากัน เราจะวางค่าเฉลี่ยเคลื่อนที่ครั้งแรกเมื่อ M 4 ในทางเทคนิคค่า Moving Average จะลดลงที่ 2.5, 3.5 เพื่อหลีกเลี่ยงปัญหานี้เราจะราบรื่นขึ้นโดยใช้ M 2 ดังนั้นเราจึงเรียบค่าที่ราบเรียบหากเราเฉลี่ยจำนวนแม้แต่ของเงื่อนไขเราต้องเรียบค่าเรียบตารางต่อไปนี้แสดงผลโดยใช้ M 4.David ใช่ MapReduce เป็น ตั้งใจทำงานบนข้อมูลจำนวนมาก และแนวคิดก็คือโดยทั่วไปแล้วแผนที่และฟังก์ชันลดไม่ควรดูแลผู้จัดทำแผนที่หรือลดจำนวนที่มีอยู่เพียงเท่านี้การเพิ่มประสิทธิภาพเพียงอย่างเดียว ถ้าคุณคิดอย่างรอบคอบเกี่ยวกับอัลกอริทึมที่ฉันโพสต์คุณจะเห็นว่าไม่ใช่เรื่องสำคัญที่ mapper จะได้รับส่วนใดของข้อมูล แต่ละระเบียนอินพุตจะพร้อมใช้งานสำหรับทุกๆการทำงานที่ต้องการ ndash Joe K 18 กันยายน 2012 เวลา 22:30 ในความเข้าใจที่ดีที่สุดของฉันเฉลี่ยเคลื่อนที่ไม่ได้เป็นอย่างดีแผนที่กับกระบวนทัศน์ MapReduce ตั้งแต่การคำนวณของมันเป็นหลักเลื่อนหน้าต่างไปเรียงลำดับข้อมูลในขณะที่ MR คือการประมวลผลของช่วงที่ไม่ใช่ intersected ของข้อมูลที่เรียงลำดับ โซลูชันที่ฉันเห็นมีดังต่อไปนี้ก) การใช้พาร์ติชันที่กำหนดเองเพื่อให้สามารถทำพาร์ติชันที่แตกต่างกันสองแบบในสองรัน ในการทำงานแต่ละครั้ง reducers ของคุณจะได้รับช่วงข้อมูลที่แตกต่างกันและคำนวณค่าเฉลี่ยเคลื่อนที่ที่เหมาะสมที่ฉันจะพยายามแสดงให้เห็น: ในข้อมูลรันครั้งแรกสำหรับ reducers ควรเป็น: R1: Q1, Q2, Q3, Q4 R2: Q5, Q6, Q7, Q8 . ที่นี่คุณจะได้รับค่าเฉลี่ยเคลื่อนที่สำหรับ Qs บางส่วน ในระยะต่อไป reducers ของคุณควรได้รับข้อมูลเช่น: R1: Q1 Q6 R2: Q6 Q10 R3: Q10..Q14 และขจัดส่วนที่เหลือของค่าเฉลี่ยเคลื่อนที่ จากนั้นคุณจะต้องรวมผลการค้นหา ความคิดของพาร์ทิชันแบบกำหนดเองที่จะมีสองโหมดของการทำงาน - แต่ละครั้งแบ่งออกเป็นช่วงที่เท่ากัน แต่มีการเปลี่ยนแปลงบางอย่าง ในเทียมโหนดจะมีลักษณะดังนี้ พาร์ติชัน (keySHIFT) (MAXKEYnumOfPartitions) โดยที่: SHIFT จะถูกนำมาจากการกำหนดค่า MAXKEY ค่าสูงสุดของคีย์ ฉันสันนิษฐานว่าเป็นความเรียบง่ายที่พวกเขาเริ่มต้นด้วยศูนย์ RecordReader, IMHO ไม่ใช่ทางออกเนื่องจากมีข้อ จำกัด ในการแยกเฉพาะและไม่สามารถเลื่อนผ่านขอบเขตการแบ่งแยกได้ อีกวิธีหนึ่งคือการใช้ตรรกะที่กำหนดเองในการแบ่งข้อมูลอินพุท (เป็นส่วนหนึ่งของ InputFormat) สามารถทำได้เพื่อทำ 2 สไลด์ที่แตกต่างกันเช่นเดียวกับการแบ่งพาร์ติชัน ตอบเมื่อวันที่ 17 ก. ย. เวลา 8:59 น