För att beräkna ett l-termiskt glidande medelvärde för l ett jämnt heltal måste vi göra det som kallas centrera det glidande medlet. Det här görs enligt följande. Först beräkna det enkla glidande medlet. Nästan få det centrerade glidande medelvärdet genom att medelvärda angränsande värden av dessa enkla glidande medelvärden. När l 2 är det centrerade glidande medlet kallat Hanning. Det är av formuläret. Tänk på att beräkna ett 4-sikt glidande medelvärde på de första 10 datavärdena för dataen en dataset som består av de månatliga talen I tusentals passagerare på internationella flygbolagsflyg för åren 1949 till 1960 De ursprungliga uppgifterna är 112.118.132.129.131.135.148.148.136.119 För att få de tre första terminerna för det 4-termiska rörliga medlet, beräknas först de första tre centrerade glidande medelvärdena. Dessa är de första tre värdena för det 4 termiska rörliga genomsnittet. Joseph D Petruccelli tis 21 feb 14 15 46 EST 1995. David, ja, MapReduce är avsedd att fungera på en stor mängd data Och tanken är t Hatt i allmänhet, kartan och reducera funktionerna borde inte bry sig om hur många mappers eller hur många reducerare det finns, det är bara optimering Om du tänker noggrant på den algoritm som jag skrev upp kan du se att det spelar ingen roll vilken mapper får vilka delar av uppgifterna Varje inmatningsrekord kommer att vara tillgänglig för varje reducerad operation som behöver den Joe K 18 september 12 på 22 30. I bästa fallet är det inte snyggt att kartlägga MapReduce-paradigmet eftersom dess beräkning väsentligen skjuter fönster över sorterade data medan MR är behandling av icke-intersected 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 kommer dina reducerare att få olika dataområden och beräkna glidande medelvärde där Godkänna Jag ska försöka att illustrera I första kördata för reduktionsmedel ska vara R1 Q1, Q2, Q3, Q4 R2 Q5, Q6, Q7, Q8. Där kommer du att cacluera glidande medelvärde för några Qs. In kör nästa reducerare D få data som R1 Q1 Q6 R2 Q6 Q10 R3 Q10 Q14. Och caclulera resten av glidande medelvärde. Då måste du sammanställa resultaten. Innehåll av anpassad partitioner att den kommer att ha två olika driftssätt - varje gång som delas i lika stora områden men med Lite skift I en pseudokod kommer den att se ut som den här partitionsnyckeln SHIFT MAXKEY numOfPartitioner där SHIFT kommer att tas från konfigurationen MAXKEY maximalt värde för nyckeln Jag antar för enkelhet att de börjar med zero. 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, liknar partitionering. Svarade 17 sep 12 kl 8 59. När man räknar ett löpande rörligt medelvärde, är det genomsnittligt att placera medelvärdet under mellantidstiden. I det föregående exemplet beräknade vi genomsnittet av de första 3 tidsperioderna och placerade det bredvid period 3 Vi kunde ha e placerade medelvärdet mitt i tidsintervallen 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 medeltalet när M 4 Tekniskt sett kommer det rörliga medelvärdet att falla vid t 2 5, 3 5. För att undvika detta problem släpper vi MAs med M 2 Således släpper vi ut de jämnda värdena. Om vi i genomsnitt är jämnt antal villkor måste vi släta det jämn Värden. Följande tabell visar resultaten med M 4.
No comments:
Post a Comment