När man beräknar ett löpande rörligt medelvärde, är det genomsnittligt att placera medelvärdet under mellantid. I föregående exempel beräknade vi genomsnittet av de första 3 tidsperioderna och placerade det bredvid period 3 Vi kunde ha placerat medelvärdet mitt i tidsintervall av tre perioder, det vill säga bredvid period 2 Det fungerar bra med udda tidsperioder men inte så bra för jämna tidsperioder Så var skulle vi placera det första glidande medeltalet när M 4. Tekniskt sett skulle det rörliga genomsnittet falla vid t 2 5, 3 5. För att undvika detta problem släpper vi MAs med M 2 Sålunda släpper vi ut de jämnda värdena. Om vi i genomsnitt är jämnt antal villkor måste vi jämföra de jämnda värdena. Följande tabell visar resultaten med hjälp av M 4. David, ja, MapReduce är avsedd att fungera på en stor mängd data Och tanken är att i allmänhet ska kartan och minska funktionerna inte bryr sig om hur många mappers eller hur många reducerare det finns, det är bara optimering Om du Tänk noggrant på den algoritm jag postade, du kan se att det spelar ingen roll vilken mapper får vilka delar av dataen Varje inmatningsrekord kommer att finnas tillgänglig för varje reducerad operation som behöver det Joe K 18 september 12 på 22 30. I bästa av min förståelse är rörligt medelvärde inte snygga kartor till MapReduce paradigmet eftersom dess beräkning är i huvudsak glidande fönster över sorterade data medan MR är behandling av oskärmade områden av sorterade data Lösning jag ser är som följer a För att implementera anpassad partitioner för att kunna göra två olika partitioner i två körningar I varje körning dina reduktionsmedel kommer att få olika dataområden och beräkna glidande medelvärde, där det är lämpligt att jag ska försöka att illustrera. För första gången bör data för reduktionsmedel vara R1 Q1, Q2, Q3, Q4 R2 Q5, Q6, Q7, Q8. där kommer du att cacluera glidande medelvärde för några Qs. In nästa körning bör dina reducerare få data som R1 Q1 Q6 R2 Q6 Q10 R3 Q10 Q14. Och caclulate resten av glidande medelvärden Då måste du sammanställa resultaten. I en del av anpassad partitioner att det kommer att ha två sätt att operera Ation - varje gång som delas i lika stora områden men med viss skift I en pseudokod kommer den att se ut som denna partitionsnyckel SHIFT MAXKEY numOfPartitioner där SHIFT kommer att tas från konfigurationen MAXKEY maximalt värde av nyckeln Jag antar för enkelhet att de börjar med noll. RecordReader , IMHO är inte en lösning eftersom den är begränsad till specifik delning och kan inte glida över split-gränsen. En annan lösning skulle vara att implementera anpassad logik för att dela in data som den är en del av InputFormat. Det kan göras att göra 2 olika bilder, liknande partitioning. answered Sep 17 12 på 8 59. Data föreslog starkt en 5- till 6-årig cyklisk rabiesincidens denna cykel var tydligt uppenbar med ett centrerat glidande medelvärde av antalet fall diagnostiserade per månad. Först för varje av de 36 komponenterna i KPI, tar jag avvikelsen av den månatliga inflationen, matematisk uttryck utelämnad, från det 36-månaderscentrerade glidande genomsnittet av inflationen i KPI-U.5-procentilen av fördelningen i indexet från det 36-månaders centrerade glidande medeltalet av inflationen i CPI-U. Här är stegen i beräkningen av ett fyrtidscentrerat glidande medelvärde kring observation tre. En annan metod att beskriva detta är att säga att en fyra termalt centrerat glidande medelvärde är ett tvåårigt medelvärde av ett fyrtidsflyttande medelvärde. Data i denna artikel som refererar till serietoppar och tråg för svarta och Hispanics reflekterar 3 månaders centrerade glidmedel.
No comments:
Post a Comment