5 Period Centrerad Glidande Medelvärde

När du 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 intill period 2 Det fungerar bra med udda tidsperioder, men inte så bra för jämna tidsperioder Så var skulle vi placera det första glidande medlet 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 Således släpper vi ut de jämnaste värdena. Om vi ​​i genomsnitt ett jämnt antal termer behöver vi släta de jämnda värdena. Följande tabell visar resultaten med hjälp av M 4.Moving Average. This exempel lär dig hur du beräknar det glidande medlet av en tidsreeks i Excel Ett glidande medel används för att släpa ut oregelbundenheter toppar och dalar för att enkelt kunna känna igen trenderna.1 Först och främst, ta en titt på vår tid Series.2 På fliken Data klickar du på Data An Alysis. Note kan inte hitta knappen Data Analysis Klicka här för att ladda Analysis ToolPak add-in.3 Välj Flytta Average och klicka på OK.4 Klicka i rutan Inmatningsområde och välj intervallet B2 M2.5 Klicka i rutan Intervall och Typ 6.6 Klicka i rutan Utmatningsområde och välj cell B3.8 Skriv ett diagram över dessa värden. Explanning eftersom vi anger intervallet till 6 är det rörliga genomsnittet genomsnittet av de föregående 5 datapunkterna och den aktuella datapunkten Som ett resultat , Toppar och dalar slätas ut Diagrammet visar en ökande trend Excel kan inte beräkna det glidande medlet för de första 5 datapunkterna eftersom det inte finns tillräckligt med tidigare datapunkter.9 Upprepa steg 2 till 8 för intervall 2 och intervall 4.Konklusion Den större Intervallet desto mer tippar och dalar utjämnas Ju mindre intervall desto närmare rörliga medelvärden är till de faktiska datapunkterna. David, ja, MapReduce är tänkt att fungera på en stor mängd data Och tanken är att i allmänhet ska kartan och funktionerna minska inte hur många mappers eller hur många reducerare det finns, det är bara optimering Om du tänker noga på Algoritmen jag postade kan du se att det spelar ingen roll vilken mappare får vilka delar av dataen Varje inmatningsrekord kommer att finnas tillgänglig för varje reducerad operation som behöver det Joe K 18 sep 12 på 22 30. I bästa fallet av min förståelse glidande medelvärde Är inte snygga kartor till MapReduce-paradigmet eftersom dess beräkning väsentligen skjuter fönster över sorterade data medan MR behandlar icke-skurna rader av sorterade data Lösning jag ser är som följer a För att implementera anpassad partitioner för att kunna skapa två olika partitioner I två körningar I varje körning kommer dina reducerare att få olika dataområden och beräkna glidande medelvärde där det är lämpligt att jag ska försöka illustrera. I första kördata för reduktionsmedel ska vara R1 Q1, Q2, Q3, Q4 R2 Q5, Q6, Q4 R2 Q5, Q6, Q7, Q8. Där kommer du att cacluate glidande medelvärde för vissa 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. Anpassad partitioner att den kommer att ha två olika driftssätt - varje gång som delas i lika delar 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 It Kan göras för att göra 2 olika bilder, liknar partitioning. answered 17 september 12 på 8 59.