Sinun sisäinen on iterating koko matriisi, joten miksi olet aina sama keskiarvo (koko koko taulukon), sinun pitäisi iterate 0 nykyisestä ulkonäöstä sijaan. Liikkuvaa keskiarvoasi päivitetään sisäpuolella j: ssä, joten se ohittaa aikaisemmat arvot jokaisesta uudesta silmukasta, tämä pitäisi olla ulomman sisäpuolelle sisäisen sijaan kuin i-indeksi. Olet jakaa sumj keskiarvojen laskemiseksi, jokainen uusi sisempi silmukka j jakaa 0 ensimmäisellä summalla. Uskon, että käytit j1: tä sen sijaan, indeksi ei ole sama kuin nykyinen pituus Vihjeitä vianmääritykseen: Vältä muunnosten käyttämistä silmukkamallien käyttämiseen. Käytä sen sijaan array. length - arvoa. Jotta ongelma toistettaisiin, voit antaa meille yksittäisen ongelman nykyisen koodin sijaan. eli: Kuvittele, jos virhe on teidän panoksissa, miten voisimme uskoa, että todella käytit niitä vastasi 4. lokakuuta 13 klo 20:54 Olet looping yli kaikki tiedot joka kerta. Sinun pitäisi olla (int j (igtaverageLengthi-averageLength2: 0) jlt iaverageLength2 ampamp jltnumDataPoints j) (tai jotain vastaavaa) sisimmälle keskiarvolle. Myös movingAverageisumj-arvoa on muutettava käsittelemään tapausta, kun j on 0. Erityisesti sen pitäisi todennäköisesti olla movingAverageisumaverageLength ja sitä tulisi soveltaa movingAveragei-rakoon keskiarvosilmukan ulkopuolella. vastasi 4. lokakuuta 13 kello 20:42 Seuraavan kerran ottakaa kommentit tehtävistä pois kysymyksestä ennen kuin lähetät sen. Mutta koska sinusta tuntuu aika uusi, ajattele, miten voit mennä läpi tiedot ja tehdä siitä. Sinun tulisi yrittää varmistaa, että jokainen silmukka pysähtyy oikeaan kohtaan ja muista, että jos lopettaisit, kun ei ole enää numeroita (kuten silloin, kun teet sisäisen silmukan ja saat vain 3 enemmän numeroa kuin 4) ohjelman on pysäytettävä myös. Varmista, että koodisi tarkistaa tämän. vastasi 4 lokakuu 13 kello 20:56 Ilman lisätietoja, luultavasti tarvitset painottamattoman liukuvan keskiarvon. Missä tahansa pisteessä Ai on pituuden N syöttöryhmässä A (jossa on 0ltiltN), joka on yksinkertaisesti taulukon aikaisempien K-merkintöjen keskiarvo, aina Ai-arvoon asti. Jos tällaisia arvoja ei ole, niin keskitä (i1) arvot A0: stä Ai: ksi. osallisuutta. Hieman ajatus näyttää, että sinun ei tarvitse kerätä kaikkia K-arvoja joka kerta. Pidä vain summa ja siirryt seuraavaan pisteeseen (tämä on liukuva keskiarvo) vähennä korvattavan arvon ja lisää uusi arvo, joka korvaa sen. (Ensimmäisten K-1-pisteiden aikana lisäät vain uuden arvon summaan ja lisäät laskurin arvoon 1.) Tämän prosessin missä tahansa vaiheessa liikkuva keskiarvo on nykyinen summa jaettuna nykyisellä laskenta-arvolla. vastasi 4. lokakuuta 13 kello 21:05 Liukuva keskiarvo, sinulla on oltava jonkinlainen ikkuna koko. Ikkunan koko on keskimäärin pituus, joten se näyttää jotain tällaiselta: silmukan silmukka alkaa nykyisiltä tiedoilta ja palaa keskimääräiset pituusdatapisteet ja lisää ne. Sinulla on vain liukuva keskiarvo, kun sinulla on sinulla, kun sinulla on tarpeeksi datapisteitä ja keskimääräinen summa jaettuna keskimääräisellä pituudella. Huomaa: Ei testattu vain sudo-koodia, mutta tämä on ajatus. vastasi 4 lokakuuhun 13 kello 21:05 Vastauksesi 2017 Stack Exchange, IncJavan liukuva keskimääräinen menetelmä Jos etsit EMA: ta, joka on optimoitu suoratoistatiedostoihin, joka on peräisin tiedostosta tai lainauspalvelusta, seuraava näyteluokka toimii hyvin, kuten vastakohtana käyttämään brute force-laskelmia. Tämä lähestymistapa on erityisen hyödyllinen, jos tietoja käsitellään reaaliaikaisesti. EMAsilla, painotetuilla liikkuvilla keskiarvoilla, on etuna, että kunkin peräkkäisen jakson suhteellinen painotus pienenee vakiotekijällä f2 (N1), missä N on niiden kausien lukumäärä, joiden aikana EMA: ta on tarkoitus soveltaa. Koska voit laskea nykyisen EMA: n (ts. Nykyiselle jaksolle) käyttäen seuraavaa iteratiivista kaavaa: eman fprice (1-f) eman-1 Seuraava näyte luokka toteuttaa tämän EERA: n iteraattisen luonteen ja minimoi laskennalliset vaatimukset brut - voimamenetelmiä tai jälkikäsittelymenetelmiä. yksityiset int numPeriods 0 yksityinen int totalPeriods 0 yksityinen double runningEMA 0.0 yksityinen kaksinkertainen tekijä 0.0 public EMA (int numPeriods) this. numPeriods numPeriods factor 2.0 (numPeriods 1.0) Nollaa laskelmat EMA: n luomiseksi tietylle ajanjaksolle. public void reset (int numPeriods) Palauttaa EMA ajanjaksolle määritellään rakentajan aikana. Jos käsittelyajat ovat pienempiä kuin EMA-alue, nolla palautetaan. julkinen kaksinkertainen laskenta (kaksoishinta) runningEMA faktorimaksu (1-kertainen) runningEMA jos (totalPeriods lt numPeriods) Mistä lähdet hintatiedot ja mitä teet EMA-tulosten kanssa, riippuu sinulle. Jos sinulla esimerkiksi olisi taulukon hintatietoja ja haluat laskea EMA: n toiseen taulukkoon, seuraavaa koodinpätkää käytetään: kaksinkertainen hinta. lähde laskelmista, tiedostosta tai palvelusarjasta kaksinkertainen ema uusi doubleprices. length EMA ema uusi EMA (50) 50 jakso EMA (int idx0 iltprices. length idx) emaidx ema (pricesidx) Onnea ja parhaat toiveet projekteistasi. Cloudera Engineering Blogi Yksinkertainen Moving Average, Secondary Sort ja MapReduce (Part 3) Tämä on viimeinen pala kolmelle osalle. Jos haluat tarkastella tämän sarjan aikaisempia osia, käytä seuraavaa linkkiä: Aikaisemmin selitin Excelin ja R: n käyttämisen analyysityökaluina pienen sarjan osakekurssien yksinkertaisen liukuvan keskiarvon laskemiseksi. Tässä viimeisessä kappaleessa kolmiosainen blogisarjaan aion upottaa MapReducen avulla löytää pienen näytejoukon Simple Moving Average. Sitten näytän sinulle kuinka käytät samaa koodia, voit laskea jokaisen sulkemiseen liittyvän osakekurssin Simple Moving Averagein vuodesta 1980. Down the Rabbit Hole Hadoopilla Edellä esitetyissä esimerkeissä tarkastelimme yksinkertaisen liukuvan keskiarvon laskemista suhteellisen pienestä tietomäärästä. Erilaisia analyyseja varten excel ja R ovat erittäin tehokkaita työkaluja, mutta kun siirrymme kohti gigatavun, teratavu - ja petattatietomyymälöitä, törmäämme ongelmiin, joissa on tietoja paikkakunnalla, levyjen nopeuksilla ja käsittelynopeuksilla. Näiden tekijöiden havainnollistamiseksi voit ottaa myyttisen koneen, jossa oli yksi 1 petattitaustainen levy, joka toimi samalla tavalla kuin levyn nopeudet tänään. Tässä esimerkissä käytetään hyvin lukuarvoa 40 MBs. Sanotaan, että sen tehtävänä on skannaa näitä tietoja ja tuottaa yksinkertaisen liukuvan keskiarvon, prosessori ei estä laskentaa ja voimme ylläpitää liikkuvaa ikkunanlaskentaa tietojen kautta täydellä 40 MB: lla. Oletetaan myös, että tiedot on aiemmin lajiteltu ja että tarvitsemme vain suorittamaan sekventiaalisen tarkistuksen, mikä maksimoi datan läpimenonopeuden levyltä ja se voisi jatkuvasti toimittaa 40 Mt: n prosessointiputkelle. Perustuu Jeff Deansin 12 numeroon Jokainen insinööri pitäisi tietää dia Tämä on uskottava setup. Tällä läpisyöttöllä yksinkertainen keskimääräinen laskentamenetelmä, joka sisältää 1 petattua dataa, kestää noin 310 päivää. Useimmissa tilanteissa tämä operatiiviset kustannukset ajallaan eivät ole kohtuuttomia. Onneksi HDFS: n ja MapReducen mekaniikka lieventää näitä tekijöitä, jotta voimme tehdä tästä ongelmasta lineaarisen ajan ja pääoman toiminnan, jotta voimme päättää niiden koneiden lukumäärän, jotka haluamme toteuttaa tehokkaasti tämän yksinkertaisen liikkuvan keskimääräisen skannauksen suorittamiseen. Edellä mainitussa yksinkertaisessa keskimääräisessä esimerkissä laimintiin huomioida seuraavat rajoitukset: Petattitaulun tallentaminen ei-myyttisiin laitteisiin. Lajitellaan petattitietoja. Laitteistovirheen huomioon ottaminen 310 päivän käsittelyajan kuluessa. Tyypillisesti aikasarjasovellukset tarvitsevat skannata tietoja jossain vaiheessa, mikä luo suuria vuoria kiipeämään, jos haluamme lähestyä aikasarjatietoja suurissa tiloissa nykyisissä järjestelmissä. Monen teratavun ja monen petatavun tietolähteiden katselu aikasarjojen verkkotunnuksessa päivittäin, mukaan lukien ja kaikilla näillä aloilla, edellä oleva skenaario on todella todellinen haaste puuttua asiaan. HDFS ratkaisee yllä olevat tallennus - ja häiriötekijät, mutta mitä on lajittelu - ja käsittelyasioissa Suuret tietomäärät lajitellaan itsessään, mutta se on lähestulkoon muutama MapReducen temppu. Tarkastellaan todellista MapReduce-koodia, jonka voimme ladata ja koota ja valmistaa oma skaalautuva yksinkertainen liukuva keskiarvo ratkaista osa näistä kipupisteistä. Yksinkertainen Moving Average in MapReduce MapReduce-sovellus koostuu tyypillisesti kahdesta toiminnosta: (olet arvannut sen) karttatoiminnon ja pienennystoiminnon. Java-ohjelmoinnin maailmassa luodaan karttaluokka ja vähennysluokka, joista jokainen perii menetelmiä, jotka ovat hyödyllisiä heidän kunnioittavissa tarkoituksissaan. Käytämme MapReducen ohjelmointimallia, koska se on rakennettu algoritmien rinnakkaisuusongelmien lieventämiseen ja skaalautuva rinnakkaisuus on suhteellisen kivuttomasti. Karttatoiminto voi sisältää koodin, joka suorittaa per-key-value - parioperaation, mutta sen pääasiallinen looginen toiminto on ryhmitellä tietoja avainten avulla. Hyvin helpoin tapa ajatella karttatoimintoa on ajatella sitä logiikkaisena projektiosuutena tietojen tai ryhmän lausekkeella. Pienennystoimintoa käytetään näiden ryhmien ottamiseen (erikseen) ja suorittamalla prosessi koko ryhmiteltyjen arvojen kesken. Yhteisiä toimintoja vähennystoiminnoissa ovat: Yksinkertaisella liikkuvaan keskimääräiseen esimerkkiimme emme kuitenkaan toimi nimenomaan arvon perusteella, emmekä tuota aggregoituja arvoja kaikissa arvoissa. Toimintamme kokonaisvaltaisessa mielessä sisältää liukuikkunan, joka suorittaa toiminnonsa tietylle osajoukolle kussakin vaiheessa. Meidän on myös otettava huomioon, että aikasarjatietojemme pisteillä ei ole taipumusta saavuttaa järjestyksen alenemista, ja ne on järjestettävä edellisissä jaksoissa. Tämä johtuu siitä, että useilla karttatoiminnoilla, jotka lukevat lähdetietojen useampia osuuksia MapReduce ei aseta tärkeys - ja lajittelujärjestelmiin ryhmiteltyjä avain-arvo-pareja. On olemassa skenaario, jossa olemme lajitelleet osioidut tiedot, mutta tämän esimerkin vuoksi aiottiin käsitellä puutarhaviljelyn lajittelemattomia aikasarjatietoja. Varmista, että voisimme suunnitella tämän MapReducen yksinkertaisen liukuvan keskimääräisen työn. Haluamme ryhmitellä yhteen kaikki varastot, jotka on sovitettu lähellä olevia arvoja yhteen, jotta voimme soveltaa yksinkertaista liikkuvaa keskimääräistä toimintaa lajitelluista aikasarjoista. Haluamme lähettää jokaisen aikasarjan avainarvoparin, joka on merkitty varastosymbolilla, ryhmittelemään nämä arvot yhteen. Vähennysvaiheessa voimme suorittaa tietojenkäsittelyn, tässä yksinkertaisen liukuvan keskiarvon. Koska tiedot todennäköisesti eivät saavuta vähennyslaskua lajitellussa järjestyksessä, täytyy lajitella tiedot ennen kuin voimme laskea yksinkertaisen liukuvan keskiarvon. Yleinen tapa lajitella tietoja on ladata tieto muistiin tietorakenteessa, kuten kasassa, aivan kuten tavallisessa java-ohjelmassa. Tässä tapauksessa hyvää käytä Javas-prioriteettiluokan luokittelemaan tiedot. Meidän on myös harkittava tulevan aikasarjatietojen käyttämän muistin määrää lajittelun aikana, koska tämä on rajoittava tekijä siitä, kuinka paljon tietoja voimme lajitella. Tässä mallissa meidän on ladattava kaikki aikasarjatiedot ennen kuin voimme aloittaa käsittelyn ja jos lajitellun tiedon määrä ylittää käytettävissä olevan kokoa, meillä on ongelma. Esimerkki tästä toteutuksesta isännöi githubissa: Jotta tämä koodi toimisi omalla Hadoop-klusterilla, lataa CDH Clouderasta ja aseta pseudo-hajautettu klusteri 8211, joka on yksittäinen Hadoop-solmu. Pseudo-hajautettu tila on erinomainen tapa kokeilla koodia Hadoopilla. Seuraavaksi lataa ja koota siirrettävä keskikoodi purkkiin. Voit ladata koodin suoraan githubista (MacOSX: n kuoressa, linuxissa olevan ssh-päätteen ikkunassa tai MINGW32 for win32: ssa) we8217ll käyttää komentoa: Ensimmäinen passimme on kunnollinen ratkaisu, mutta Java Virtual Machine (JVM) kasan koko ja meillä on aikaa itse manuaalisesti lajitella tiedot. Muutama suunnittelumuutos voi ratkaista molemmat näistä ongelmista hyödyntämällä MapReducen ominaisuuksia. Ensinnäkin haluamme tarkastella tapausta lajitella tiedot muistiin jokaisella vähennysventtiilillä. Tällä hetkellä meidän on varmistettava, ettemme koskaan lähetä enemmän tietoja yhdelle pelkistimelle kuin muistiin sopivat. Tällä tavoin voimme tällä hetkellä hallita tätä, jotta jokainen vähennyslasin lapsi JVM pystyy lisäämään kasaan ja jakamaan aikasarjatietojamme edelleen karttovaiheessa. Tässä tapauksessa wed osio edelleen ajan, rikkomatta meidän tiedot pienempiä ikkunoita aikaa. Toisin kuin tietojen edelleen jakaminen, toinen lähestymistapa tähän kysymykseen on antaa Hadoop lajittelemaan tiedot meille, joita kutsutaan MapReducen sekoitusvaiheeksi. Jos tieto saapuu pienennyslaitteeseen jo lajitellussa järjestyksessä, voimme pienentää muistin jalanjälkiä ja vähentää silmukoiden lukumäärää datan kautta vain katsomalla seuraavia N näytteitä kullekin yksinkertaiselle liikkuvalle keskiarvolaskennalle. Tämä tuo meidät tämän artikkelin ratkaisevaan osaan, jota kutsutaan sekoittimiksi toissijaiseksi lajittelulaitteeksi. Lajittelu on jotain, jonka voimme antaa Hadoopille tehdäksemme ja Hadoop on osoittautunut varsin hyvksi lajitella suuria määriä dataa, voittamalla Grey Sort - kilpailun vuonna 2008. Käyttämällä sekundaarisen lajittelun mekaanikkoa pystymme ratkaisemaan sekä kasaamme että lajittelemaan asiat melko yksinkertaisesti ja tehokkaasti. Käyttääksemme sekundaarista lajittelua koodissamme, meidän on tehtävä avain luonnollisen avaimen ja luonnollisen arvon yhdistelmäksi. Alla olevassa kuvassa on kaavio siitä, miten tämä näyttäisikin visuaalisesti. Kuva 1: Komposiittipiirin kaavio Komposiittinäppäin antaa Hadoopille tarvittavat tiedot sekoitusvaiheen aikana lajittelemaan paitsi 8220 varastosymbolilla 8221, mutta myös aikaleimalla. Luokan, joka lajittelee nämä komposiittipainikkeet, kutsutaan avaimen vertailijaksi tai tässä 8220CompositeKeyComparator8221. Avaimen vertailuryhmän tulisi tilata komposiittisnäppäimellä, joka on luonnollisen avaimen ja luonnollisen arvon yhdistelmä. Seuraavassa on esimerkki kuvasta 2, jossa toissijaisen lajittelun abstrakti versio suoritetaan kahden kokonaislukumäärän yhdistelmäavaimella. Kuva 2: CompositeKeyComparator lajittelu Komposiitti-avaimet (avaimet ovat kokonaislukuja). Alla olevasta kuvasta 3 nähdään realistisempi esimerkki, jossa komposiittinäppäimellä vaihdetaan varastosymboolijono (K1) ja aikaleima (K2, joka näkyy päivämääränä, mutta koodissa on pitkä ms). Kaavio on lajitellut KV-parit sekä 8220K1: varastosymbolilla 8221 (luonnollinen avain) että 8220K2: aikaleimalla 8221 (toissijainen avain). Kuva 3: CompositeKeyComparator komposiittipainikkeilla. Komposiittinäppäin, joka on nyt merkitty merkkijono-symbolilla (K1) ja päivämäärällä (K2). Kun olemme lajitelleet tiedot yhdistelmäavaimesta, meidän on nyt jaettava tiedot vähennysvaiheeseen. Alla olevasta kuvasta 4 nähdään, miten edellä olevan kuvan 3 tiedot on jaettu NaturalKeyPartitioner-osioon. Kuva 4: Luonnollisen avaimen jakaminen NaturalKeyPartitionerilla. Kun olemme jakaneet tietomme, vähennyslasit voivat nyt aloittaa tiedostojen lataamisen ja aloittaa sulautumisvaiheensa. Alla olevassa kuvassa 5 nähdään, miten ryhmävertailijaa tai NaturalKeyGroupingComparatoria käytetään varmistamaan, että vähennys () - puhelu näkee vain kyseiselle komposiittitielle tarkoitetun loogisesti ryhmitellyn datan. Kuva 5: Vertailijan ryhmittely yhdistämällä osiointitiedostot. Komposiittisavun jakajan ja ryhmittelyvertailijan tulisi harkita vain luonnollista avainta jakamiseen ja ryhmittelyyn. Alla on lyhyt kuvaus Simple Moving Average - koodista, jota muutetaan sekundaarisen lajittelun käyttämiseksi ja joka isännöi githubia. Jos ymmärrät, luokkien nimet vastaavat tarkasti edellä mainittujen kaavioiden terminologiaa ja Tom Whites Hadoop: Definitive Guide - ohjelmaa (luku 8 MapReduce - ominaisuudet), jotta koodin ymmärtäminen olisi helpompaa. NaturalKey 8211, mitä normaalisti käytät avaimen tai ryhmän operaattorina. Tässä tapauksessa Natural-avain on ryhmä - tai varastosymboli, koska voimme ryhmitellä mahdollisesti lajittelemattomat varastotietojen ennen kuin voimme lajitella sen ja laskea yksinkertaisen liukuvan keskiarvon. Komposiittinäppäin 8211 Avain, joka on luonnollisen avaimen ja luonnollisen arvon yhdistelmä, jonka haluamme lajitella. 5 vastausta ldquo Yksinkertainen liikkuva keskiarvo, toissijainen lajittelu ja MapReduce (osa 3) rdquo Viileä temppu halkaistujen lajittelijan kanssa. Sikäli kuin voin kertoa, että tämä toimii hyvin, kunnes sarja tulee äärimmäisen pitkäksi (mielestäni 30 vuoden rastiarvotasoinen tieto) 8211 tuntuu, että jakaminen aika voi olla hyvin hankala. Tiedätkö jotain sisäänrakennetulla tavalla, kuten 8220overlapping partitioner8221, joka voi levittää samoja tietoja useille osioille, joita olen kokeillut kartoittajilla, jotka kopioivat arvot useilla avaimilla, mutta ihmettelen, onko perinteisempää tapaa tehdä tämä. Evan, olet kuollut tietojenkeruusta yhdessä avainalueessa. Pääsen tämän saman ongelman työskennellessäkseni NERC: n openPDC-projektia varten: Yksi anturi voisi olla kirjaimellisesti miljardeja pisteitä hyvin lyhyessä ajassa, joten prototyyppityöpaikoilla näppäilimme asioita yhteen päivään (3.600.000 ms). monimutkaisessa versiossa olisin käyttänyt päällekkäisiä aikavälejä, jotta karttaaja saisi riittävät tiedot viereisistä avainalueista kattamaan yhden ikkunan pituuden. Joten nyt sanon, että olet oikealla tiellä kaksoiskappaleilla. Tiedän, että tämä ei liity liikkuviin keskiarvoihin, mutta kuinka tarkka oli PDC: ssä käytetyn SAX-aikasarjan sovittaminen, jonka toteutin jotain tällaista (paitsi MapReduce API 2: n käyttämistä) ja vähennys () - toiminnon silmukkaan milloin tahansa. Seuraava () - menetelmää kutsutaan Iteratorilla, saamme uuden arvon, mutta avain myös tapahtuu ihmeellisesti. Pikemminkin yhdistelmäavaimen osa, jota ei käytetty luonnollisena avauksena (tämän esimerkin aikaleima) muuttuu. Tämä oli varsin yllättävää. Miten tämä tapahtuu Post navigation Adopting Apache Hadoop liittovaltion hallituksessaAverotSimple liukuva keskiarvo KeskimäärinYksi liukuva keskiarvo Sinua kannustetaan ratkaisemaan tämä tehtävä tehtävänkuvauksen mukaan käyttäen mitä tahansa kielenkäyttöäsi. Lasketaan joukko numeroiden yksinkertainen liikkuva keskiarvo. Luo stateful functionclassinstance, joka vie ajan ja palauttaa rutiinin, joka ottaa numeron argumenttina ja palauttaa yksinkertaisen liukuvan keskiarvon argumentteihinsa toistaiseksi. Yksinkertainen liikkuva keskiarvo on menetelmä, jolla lasketaan keskimääräinen lukuvirta vain keskimäärin viimeisestä 160 P 160 - numerosta virtauksesta 160, jossa 160 P 160 tunnetaan ajanjaksoksi. Se voidaan toteuttaa kutsumalla 160: n 160 160: n 160 160 (160) P 160 160 - tyyppinen alustusrutiini, joka palauttaa rutiinin, joka kutsutaan yksittäisillä, peräkkäisillä numeroilla, laskee keskiarvon to), niiden viimeinen 160 P 160, soita 160 SMA: lle (). Tehtävänkuvauksessa oleva 160 sana 160 viittaa 160: n SMA: n (160) tarpeeseen muistaa tietyt tiedot kutsujen välillä: 160 Ajanjakso, 160 P 160 Tilattu astia, jossa on ainakin viimeiset 160 P 160 - numerot kustakin sen yksittäiset puhelut. Stateful 160 tarkoittaa myös sitä, että peräkkäiset kutsuja 160 I (), 160 alustunnistin 160: n tulisi palauttaa erilliset rutiinit, jotka eivät 160: stä 160: stä jakaa tallennettua tilaa, jotta niitä voitaisiin käyttää kahdessa itsenäisessä tietovirrassa. Pseudokoodi 160 SMA 160: n käyttöönotosta on: Tämä versio käyttää pysyvää jonoa pitämään viimeisimmät p-arvot. Jokainen toiminto, joka palautuu init-moving-keskiarvosta, on sen tilan atomissa, jolla on jonon arvo. Tämä toteutus käyttää pyöreää luetteloa, joka tallentaa numerot ikkunaan jokaisen iteroinnin osoittimen alussa viittaamaan luettelosoluun, jossa arvo siirtyy ulos ikkunasta ja korvataan juuri lisättynä arvolla. Closure-muokkauksen käyttäminen Tällä hetkellä tämä sma cant be nogc koska se jakaa sulkemisen kasaan. Jotkut pako-analyysit voisivat poistaa kasaan allokoinnin. Struct-muokkauksen käyttäminen Tässä versiossa vältetään sulkemisen kokoonpanon pitäminen pitämällä tiedot päätoiminnon pino-kehyksessä. Sama ulostulo: Jotta vältettäisiin kelluvan pisteen approksimaatiot pysyisivät paikoillaan ja kasvaisivat, koodi voisi suorittaa jaksottaisen summan koko ympyränmuotoiselle jonojärjestelmälle. Tämä toteutus tuottaa kaksi (funktio) objektia, jotka jakavat tilaa. E on idiomatinen E: ssa erottamaan tulosteen tulosta (lukea kirjoituksesta) sen sijaan, että ne yhdistettäisiin yhteen objektiksi. Rakenne on sama kuin Standard Devation E: n toteutus. Alla oleva elixir-ohjelma luo nimettömän toiminnon, jossa on upotettu aika p, jota käytetään yksinkertaisen liukuvan keskiarvon ajanjaksona. Run-toiminto lukee numeerisen syötteen ja siirtää sen äskettäin luotuun nimettömään funktioon ja tarkastaa tuloksen STDOUT: lle. Lähtö esitetään alla, keskiarvona, jota seuraa ryhmitelty tulo, joka muodostaa jokaisen liukuvan keskiarvon. Erlangilla on sulkimet, mutta muuttumattomat muuttujat. Sitten ratkaisu on käyttää prosesseja ja yksinkertaista sanomapohjaista API: ta. Matrix-kielillä on rutiineja laskemaan liukuva avarageja tietylle kohteelle. Se on vähemmän tehokas silmukka kuin seuraavissa komennoissa. Jatkuva kehotus syöttöä I varten. joka lisätään luettelon L1 loppuun. L1 voidaan löytää painamalla 2ND1, ja keskiarvo löytyy ListOPS: stä Paina ON - painiketta lopettaaksesi ohjelman. Toiminto, joka palauttaa luettelon, joka sisältää toimitetun argumentin keskimääräiset tiedot, joka palauttaa yksinkertaisen arvon jokaisella kutsulla: luettelo on keskimääräinen lista: p on jakso: 5 palauttaa keskimääräisen luettelon: Esimerkki 2: Ohjelman käyttäminen movinav2 (i , 5) - Siirrä keskimääräinen laskenta ja määritä 5 movinav2 (3, x) jakso: x - uusi tieto listassa (arvo 3) ja tulos tallennetaan muuttujaan x ja näytetään movinav2 (4, x) : x - uusi tieto (arvo 4), ja uusi tulos tallennetaan muuttujaan x ja näytetään (43) 2. Toiminnon kuvaus movinavg: muuttuja r - on tulos (keskiarvoinen lista), joka palautetaan muuttuja i - on indeksimuuttuja ja se viittaa alaluettelon loppuun listan keskiarvo. muuttuja z - avustaja-muuttuja Toiminto käyttää muuttujaa i määrittääkseen, mitkä luettelon arvot otetaan huomioon seuraavassa keskimääräisessä laskelmassa. Jokaisella iteraatiolla muuttuja i osoittaa viimeisen listan arvon, jota käytetään keskimääräisessä laskelmassa. Joten tarvitsemme vain selville, mikä on luettelon ensimmäinen arvo. Yleensä on p-osaa pitää p-elementtejä, joten ensimmäinen elementti on indeksoima (i-p1). Ensimmäisten iterointien aikana laskelma kuitenkin on yleensä negatiivinen, joten seuraavalla yhtälöllä vältetään negatiiviset indeksit: max (i-p1,1) tai järjestämällä yhtälö max (i-p, 0) 1. Ensimmäisten iterointien elementtien määrä on myös pienempi, oikea arvo on (pääindeksi - aloita indeksi 1) tai järjestämällä yhtälö (i - (max (ip, 0) 1) 1) ja sitten , (i-max (ip, 0)). Variable z: lla on yhteinen arvo (max (ip), 0), joten beginindex on (z1) ja elementtien määrä on (iz) mid (list, z1, iz) palauttaa arvoluettelon, .) Summa summa summa (.) (iz) ri keskittää ne ja tallentaa tulokset sopivaan paikkaan tulosluettelossa fp1 luo osittaisen sovelluksen, joka vahvistaa (tässä tapauksessa) toisen ja kolmannen parametrin
No comments:
Post a Comment