快速的方法来计算滑动窗口上的事件

本文介绍了快速的方法来计算滑动窗口上的事件的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！ 问题描述 29岁程序员，3月因学历无情被辞！ 假设我有 x = rnorm（100000），而不是做一个 1000 长度滑动窗口移动平均，我想要做一个 1000 长度滑动窗口，它计算 x 高于 0.2 。 例如， x start< - 1：1000 record< - list（） while（start [length（start）]< = length（x））{ record [ [length（record）+ 1]] 0.2））/ length（start） start print length（record）]]）; flush.console（）} 对于大 length（x）。什么是高效的方法？解决方案我的贡献是计算条件的累积和之间的滞后差> cumdiff = function（x）diff（c（0，cumsum（x> .2）），20） 以及 filt = function（x）filter（x> 0.2，rep（1,20），sides = 1） library（TTR）; ttr = function（x）runSum（x> .2,20） cumsub = function（x）{z- cumsum（c（0，x> 0.2））; tail（z，-20） - head（z，-20）} > >库（microbenchmark）> set.seed（123）; xx = rnorm（100000）> microbenchmark（cumdiff（xx），filt（xx），ttr（xx），cumsub（xx））单位：毫秒 expr min lq median uq max neval cumdiff（xx）11.192005 12.387862 12.469253 12.77588 13.72404 100 filt（xx）20.979503 22.058045 22.442765 23.02612 62.91730 100 ttr（xx）8.390923 10.023934 10.119772 10.46309 11.04173 100 cumsub（xx）7.015654 8.483432 8.538171 8.73596 9.65421 100 这些不同在于如何表示结果的细节（ filt 和 ttr 具有领先的NAs），并且只有过滤器处理嵌入式NA的 > xx [22] = NA > head（cumdiff（xx））＃NA's propagate，silently [1] 9 9 NA NA NA NA > ttr（xx）在runSum中的错误（x> 0.2，20）：系列包含非领先的NAs >尾（filt（xx），-19） [1] 9 9 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA 8 8 9 ... Suppose I have x = rnorm(100000) and instead of doing a 1000 length sliding window moving average, I wanted to do a 1000 length sliding window that counts all the times that x is above 0.2.For example,x <- rnorm(1004)start <- 1:1000record <- list()while(start[length(start)] <= length(x)) { record[[length(record) + 1]] <- length(which(x[start] > 0.2))/length(start) start <- start + 1 print(record[[length(record)]]);flush.console()}This becomes unmanegable for large length(x). What is a highly efficient method? 解决方案 My contribution is to calculate the lagged difference between the cumulative sum of the conditioncumdiff = function(x) diff(c(0, cumsum( x > .2)), 20)which along withfilt = function(x) filter(x > 0.2, rep(1, 20), sides=1)library(TTR); ttr = function(x) runSum(x > .2, 20)cumsub = function(x) { z <- cumsum(c(0, x>0.2)); tail(z,-20) - head(z,-20) }performs ok> library(microbenchmark)> set.seed(123); xx = rnorm(100000)> microbenchmark(cumdiff(xx), filt(xx), ttr(xx), cumsub(xx))Unit: milliseconds expr min lq median uq max neval cumdiff(xx) 11.192005 12.387862 12.469253 12.77588 13.72404 100 filt(xx) 20.979503 22.058045 22.442765 23.02612 62.91730 100 ttr(xx) 8.390923 10.023934 10.119772 10.46309 11.04173 100 cumsub(xx) 7.015654 8.483432 8.538171 8.73596 9.65421 100These differ in the specifics of how the result is represented (filt and ttr have leading NAs, for instance) and only filter deals with embedded NA's> xx[22] = NA> head(cumdiff(xx)) # NA's propagate, silently[1] 9 9 NA NA NA NA> ttr(xx)Error in runSum(x > 0.2, 20) : Series contains non-leading NAs> tail(filt(xx), -19) [1] 9 9 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA 8 8 9 ... 这篇关于快速的方法来计算滑动窗口上的事件的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！ 上岸，阿里云！