moving-average

0熱

1答えて

私はすべての行が特定のイベントの特定のユーザーを表すテーブルを持っています。各行には、そのようなイベントの結果とユーザーに関するデータの2種類の情報が含まれています。複数のユーザーが同じイベントに参加することができます。明確にするためには、ここでは、そのような表の簡単な例です： EventID Date Revenue Time(s) UserID X Y Z 1 1/1/20

0熱

1答えて

移動平均 - ウィンドウの境界

のうち、私は単純マトリクス持っている： x <- seq (1:100) matrix_A = matrix(x, ncol = 10) matrix_A を私がやって×3サイズ3 シンプルな機能の実行中のウィンドウですべての値を平均化したいですその次の場合（例えば）i = 1、j = 1、私は行列に存在しない値を呼び出していますので、 running_window_v1 <- funct

2熱

3答えて

Dataframe.rolling（）。移動平均を計算しないことを意味します。

私はpandasを使って移動平均を計算しようとしていますが、Dataframe.rolling（）。mean（）を使用すると、代わりに値がコピーされます。 stock_info['stock'].head() Fecha Open High Low Close Volume 0 04-05-2007 00:00:00 234,4593 255,5703 234,3

0熱

1答えて

季節のARIMAモデルをRに入れるには

シーズンは24時間ごとですが、季節のARIMAモデルに合わせたいと思います。しかし、24時間の季節をRに含めるにはどうすればよいですか？ arima(y, order=c(0,0,2), seasonal=c(0,0,5), method = "ML") しかし、私は正しいだ場合には、ARIMA（0,0,2）（0,0,5）_12モデルですので、私は助けを得ることを望む：これまでのところ、私は次の

0熱

1答えて

Chart.js：異なるデータセットのサイズ

私はかなり一般的な使用例であると思うものを表示する必要があります。 1週間をカバーする毎日平均および時間平均。一つのデータセットが明らかに7つのデータポイントを持って、他のは、私が例やこれを可能とする文書化オプションを見つけることができませんでした168 を持っています。確かに - 私はほとんど何も設定することができますが、&のように見えますが、データサイズに関しては、両方のデータセットにラベル

0熱

1答えて

PostgreSQLの最適化：日付範囲の平均

私は、前年度の平均気温をプラス/マイナス1日ごとに計算するクエリ（サブクエリ付き）を持っています。それは動作しますが、それほど高速ではありません。以下の時系列値は一例に過ぎません。私がなぜdoyを使用しているのは、毎年同じ日付の周りにスライディングウィンドウが必要なためです。 SELECT days, (SELECT avg(temperature) FROM temperat

1熱

2答えて

パンダ5年および10年移動平均

インデックスがdatetime dtypeのデータフレームがありますが、日付は連続した順序ではありません。私は私のデータセットの5年と10年の移動平均を計算することを検討しています。 .rolling_meanを使用することで、私はウィンドウを何に設定するかに基づいて平均をとることができますが、日付が連続していないので、これは機能しません。 Dataframe: Date Count

0熱

2答えて

条件文を含む集計ローリング平均R

次の形式のデータフレームがあります。 match team1 team2 winningTeam 1 A D A 2 B E E 3 C F C 4 D C C 5 E B B 6 F A A 7 A D D 8 D A A 私がしたいのは、最後のxマッチでチーム1とチーム2の両方のフォームを計算する変数を作成することです。たとえ

0熱

1答えて

固定された結果セットで効率的に配列を平滑化する

値0,1,2,3だけで構成された1000の配列があるとしましょう。私がしたいことは、他の値の海で奇妙な値を取り除くことです。 0,0,0,0,0,1,0,0,0,0 - > 0,0,0,0,0,0,0,0,0,0。私はいつも0,1,2,3の値を返さなければならないので、単純な移動平均は実際には機能しません。したがって、0,3,0 - > 1を平均化することは間違っています。私は仕事をしているよう

4熱

1答えて

Auto.arima（）関数では白色ノイズが発生しません。

ここでは、（ログ変換を行った後の）初期データのプロットを示します。直線的な傾向と季節的な傾向の両方があることは明らかです。私は第1と第12の（季節的な）違いを取ることによってこれらの両方に取り組むことができます：diff（diff（data）、12）。その後、結果データのプロットがあります。です。このデータは素晴らしいとは限りません。平均値は一定ですが、時間の経過と共にファンネル効果が見られ