如何聚合数据集并计算R中跨组的连续变量的熵？
在云计算领域，聚合数据集并计算R中跨组的连续变量的熵可以通过以下步骤实现：
- 数据集聚合：首先，将需要计算熵的数据集导入R环境中。可以使用R的数据处理库（如dplyr、data.table等）对数据进行聚合操作，根据需要的分组条件将数据集分组。
- 连续变量的熵计算：对于连续变量的熵计算，可以使用R的信息熵计算库（如entropy、infotheo等）。这些库提供了计算熵的函数，可以直接应用于连续变量的数据列。根据数据的分布情况，可以选择合适的熵计算方法（如Shannon熵、Renyi熵等）进行计算。
- 跨组计算：如果需要计算跨组的连续变量的熵，可以使用R的分组操作和熵计算函数结合起来。根据数据集的分组条件，将数据集分成多个组，并分别计算每个组内连续变量的熵。可以使用循环或者函数式编程的方式实现跨组计算。
- 结果展示：最后，将计算得到的熵结果进行展示。可以使用R的数据可视化库（如ggplot2、plotly等）将熵结果以图表的形式展示出来，或者将结果输出为表格格式。
在腾讯云的产品中，可以使用云服务器（CVM）提供的计算资源来运行R环境，并使用云数据库（CDB）存储和管理数据集。此外，腾讯云还提供了云原生服务（TKE）用于容器化部署和管理应用程序，云存储（COS）用于存储和管理数据，人工智能服务（AI Lab）用于实现人工智能相关的功能等。具体产品介绍和链接地址可以参考腾讯云官方网站。
相关·内容
2回答
我必须聚合(当然是用一个分类中断变量)一个相当大的数据表，其中包含一些连续变量，得到所需变量的平均值、中值、标准差和四分位数范围(IQR)。
前三个是一个简单的使用SPSS聚合命令，但我不知道如何通过聚合数据表来计算IQR。
我知道我可以使用描述符(按四分位数)来计算IQR，但是由于我需要聚合中的计算--这不是一个选项。不幸的是，由于一些奇怪的情况，使用R失败了(不能在R中加载一个巨大的逗号分隔的文件，也不能使用base:：read.table、、和包)。
任何想法都是欢迎的！当然，事先谢谢你。
P.S.：我想通过把标准差乘以1.5来估算IQR，但是这种方法不能工作，因为分布是倾斜的，所以假
浏览 3提问于2011-04-07得票数 1
回答已采纳
3回答
我想计算R中每组连续变量的熵。
以下是数据的示例：
id group X 1 1 1 28 2 2 1 45 3 3 2 21 4 4 2 46 5 5 3 82 6 6 3 98
除了X之外，实际上有273个组和更多的变量。
我希望能够计算出每个“组”的X的熵。
我尝试过在tidyr中使用group_by和summarise命令，但我认为没有合适的命令来表示熵。
希望有一个简单的解决方案。
提前谢谢。
浏览 17提问于2020-05-16得票数 0
1回答
假设数据集中有变量X1、X2、X3和Group。组具有不同的值，例如1-10，而X1、X2、X3是连续变量.X1、X2和X3在数据集中都有丢失的值，它们彼此独立。换句话说，X1可能缺少，但X2和X3没有，另一个观察结果可能只缺少X3。
对于每个缺失的值，我想用该观察组#中变量的中值来替换它。
有什么好办法吗？
提前感谢
浏览 4提问于2014-03-13得票数 0
我试图在PgSQL中编写一个简单的select查询，但是我一直收到一个错误。我不知道我错过了什么。任何帮助都将不胜感激。
select residuals, residuals/stddev_pop(residuals)
from mySchema.results;
这给出了一个错误
ERROR: column "results.residuals" must appear in the GROUP BY clause or be used in an aggregate function
残差是一个数值(连续变量)。
我遗漏了什么？
浏览 1提问于2014-02-24得票数 0
回答已采纳
我有一个变量，它的值是23.13，56.1，12.6，1.23，5.56。我想找出这个变量的熵。我这里有一段代码，，但是对于连续变量，多大的仓位应该是首选的？
浏览 0提问于2017-08-09得票数 3
在我的图表数据中有一个叫做“时间”的度量。我想使用R创建一个计算字段，我已经成功地安装了RServe，我这样做：
SCRIPT_REAL('hour(.arg1) + minute(.arg1)/60 + second(.arg1)/3600 ', [time])
但我在tableau计算字段中得到了错误：
错误:当使用表计算函数或来自多个源的字段时，所有字段必须是聚合或常量。
ANy知道我做错了什么吗？谢谢。
浏览 4提问于2015-07-06得票数 1
我正在尝试编写一个查询来返回这个城镇，以及来自每个城镇的跑步者的数量，其中跑步者的数量大于5。
我现在的查询如下所示：
从marathon2016中选择家乡、计数(家乡)，其中计数(家乡)>5按家乡顺序依次计数(家乡)；
但是sqlite3的反应是：
错误:滥用聚合: count()
我做错了什么，为什么我不能在这里使用计数()，我应该用什么代替。
浏览 5提问于2017-04-10得票数 0
1回答
我有一个Birt在数据集上的最终计算的标准差聚合。然后我需要选择四个Id进行分组，这样我就可以得到不同定时器的四个标准差。我已经在Birt上设置了group-by选项，但它不起作用，好像仍然没有分组。
显然，这里可能出现的问题范围很大，所以我只能让有经验的用户来查询我有哪些设置。我还必须补充说，我不能从SQL端执行这个group-by，它必须在Birt中完成。但它在SQL中确实可以正常工作
感谢你的帮助。
浏览 1提问于2011-07-18得票数 0
1回答
我有一个关于熵的解释的问题。对于我的数据集中的每个人，我都有一个17个字符(年份)的字符串/序列。我特别感兴趣的是在这个观察期内发生了多大的变化。
我正在考虑使用R的TraMineR包来计算序列内的熵。我知道这是可以归一化的，所以最大熵变成1(显然是最小的0 )。我的问题是，是否有任何经验法则来说明什么是高熵，什么是低熵(例如，在相关系数的情况下)。例如，0.4是高值还是低值？
谢谢。
浏览 1提问于2016-02-04得票数 3
构建这些问题：
假设我有这样的数据：
import pandas as pd
d = {'y':[1.2,2.41,3.12,4.76],'x':['A','B'],'r1':['a','b','c','d'],'r2':['a2','b2','c2','d2']}
df = pd.DataFrame(d)
Y是一个连续变量。X是范畴性的，是固定的成分。它是二进制的。r1，
浏览 3提问于2019-12-16得票数 1
回答已采纳
1回答
我有一个csv文件，其中有2列：
col1- Timestamp数据(yyyy dd hh:mm:ss.ms (8个月数据))
col2 :热数据(连续变量)。
由于有将近50k的记录，我想将col1(时间戳)划分为几个月或几个星期，然后在热数据w.r.t时间戳上应用方框图。我试过了，花了很长时间。在Python中需要帮助。我想我需要使用seaborn.boxplot。
请指点。
浏览 0提问于2018-05-14得票数 4
回答已采纳
我一直在研究aSspark应用程序，并试图转换一个数据格式，如表1所示，我希望将列(_2)的每个元素除以按另一列(_1)的元素分组的元素之和(同一列)。表2是预期结果。
表1
+---+---+
| _1| _2|
+---+---+
| 0| 13|
| 0| 7|
| 0| 3|
| 0| 1|
| 0| 1|
| 1| 4|
| 1| 8|
| 1| 18|
| 1| 4|
+---+---+
表2
+---+----+
| _1| _2 |
+---+----+
| 0|13/x|
| 0| 7/x|
| 0| 3/x|
| 0| 1/x|
|
浏览 6提问于2016-10-13得票数 8
回答已采纳
1回答
由"spark mllib“提供的机器学习算法可以像naive byes，随机森林一样在spark集群上以并行模式运行吗？或者我们需要修改代码？请提供一个并行运行的示例？不确定MLLIB中的并行性是如何工作的(map) -因为每个处理都需要整个训练数据集。计算是否与训练数据的子集并行运行？谢谢
浏览 0提问于2016-03-06得票数 3
2回答
使用连续变量的决策树
、、、、
我有一个关于使用连续变量的决策树的问题。
我听说，当输出变量是连续的，而输入变量是绝对的，分裂准则是减少方差或什么的。但是我不知道如果输入变量是连续的，它是如何工作的
输入变量:连续/输出变量:范畴
输入变量:连续/输出变量:连续变量
关于两个案例，我们如何才能得到像基尼指数或信息增益这样的分割标准？
当我在R中使用rpart时，无论是输入变量还是输出变量，它都工作得很好，但我不知道具体的算法。
浏览 10提问于2016-11-30得票数 9
我目前正在使用Python (RandomForestRegressor()来自sklearn的randomforest()函数)和R(来自RandomForest包的randomforest()函数)中的随机森林，我想知道是否有人在Python中经历过更好的结果。
我正在附加代码和使用数据集获得的结果。这不是我现在感兴趣的数据集，但无论我使用什么数据集，我都会一直在Python中获得更好的结果(有时是R-平方为0.50和0.93)，这让我对它产生了怀疑。
Python
inputfile = r'/PathToFile/mtcars.csv'
myData = pd.read
浏览 8提问于2022-09-15得票数 0
1回答
找出前10个函数的总和
、、、、
您好，我正在尝试以矩阵格式表示数据&我在表级中使用TOP N。按Desc顺序的表格数据&我想将前10个数字与它们的小计分开，但它考虑的是整个数据集的总和。
使用公式- =RunningValue(Fields!Total.Value，Sum，"DataSet3")/2439我得到了视图，但如果我使用过滤器，它会给出错误的结果。
请建议我们可以使用什么，而不是2439，以便在使用过滤器后，它将是一个自动化的过程&使用前10名的总和。
浏览 2提问于2016-03-25得票数 1
将数据以xls格式导出到Excel2007时出现错误。数据似乎超过了65000行的限制。我以前没有这个问题。我正在使用VS2008在2008 R2中创建SSIS包
浏览 23提问于2018-01-30得票数 0
1回答
假设我们有两组电影评论:一组来自IMDB，一组来自“烂番茄”(RT)。每个条目都有一个书面评论和一个分数附加在上面。连接的数据集看起来可能如下所示
Movie|Score|Review|Site
狮子王9.8“这是史上最好的电影之一！”
狮子王：“这一举动绝对使我的童年”
等。
我们的任务是预测评论的分数。这类似于Kaggle情绪分析挑战，但我们试图从两个数据源预测一个连续变量。对于单个数据集，我们可以在Keras中使用嵌入层和lstm层来训练模型。在R：
model <- keras_model_sequential() %>%
layer_embedding(input_
浏览 0提问于2019-07-07得票数 1
1回答
我使用R中的MatchIt包进行精确匹配。当我完成匹配并使用钴检查平衡时，我被告知，对于我的分类变量，Diff.Adj为0.00，对于连续变量，为-0.06。
但是，当我在in摘要中创建一个表时，这些变量的标准差异分数为:分类变量为0.65，连续变量为0.30。
有人能解释一下这两个包裹之间的差异吗？
在gt汇总中，我正在将表连接到add_difference(everything() ~ "smd")。
浏览 25提问于2022-03-23得票数 -1
回答已采纳
1回答
决策树熵计算指标
、、、、
我发现了两种类型的几个例子。
单特征
给定一个只有两个项类的数据。对于，只有蓝色和黄色的球。也就是说，在这种情况下，我们只有一个特征是颜色。这是一个应用于熵的“分而治之”规则的明显例子。但是对于任何预测或分类问题，这都是毫无意义的，因为如果我们有一个只有一个特征且值已知的对象，我们就不需要一棵树来判断“这个球是黄色的”。
多特征
给定一个具有多个特征的数据和一个可预测的特征(已知用于训练数据)。我们可以根据每个特征的最小平均熵来计算谓词。更接近生活，不是吗？我很清楚，直到我还没有尝试实现这个算法。
现在我脑子里有一次碰撞。
如果计算熵相对于已知特征(每个节点一个)，则只有当未知特征严格依赖于
浏览 1提问于2016-02-02得票数 1
我编写了一个模型代码，在其中我要连接两个表，并返回我的结果。
我的表中有26个结果，但是下面提到的代码只返回一行！原因是什么?为什么它只返回一行？
请帮我解决这个问题
更新
表结构
question
-----------
question_id PK Auto_Incr
question varchar...
votes int
answer
------------
answer_id PK Auto_icre
question_id FK refrences question
content longtext
从下面的表结构中，我的模型
浏览 2提问于2013-04-14得票数 1
回答已采纳
2回答
我使用R的library agricolae中包含的library agricolae：
数据(甘薯)这个数据集包含两个变量:产量(连续变量)和病毒(因子变量)。
由于Levene检验是显着的，我不能假设方差的同质性，我将Welch检验应用于R，而不是单向的ANOVA，然后是Tukey。
然而，这些问题来自于我申请后测时的问题。在Tukey测试中，我使用library(agricolae)并显示病毒组之间的上标字母。因此，没有问题。
然而，为了执行游戏-豪厄尔死后，我使用library(userfriendlyscience)和我获得游戏豪威尔输出，但我不可能获得一个字母上标比较病毒组
浏览 4提问于2018-01-16得票数 0
4回答
我有一个关于k-means聚类的问题。我们有一个包含120,000个观测值的数据集，需要使用R计算k-means聚类解决方案。问题是k-means通常使用欧几里德距离。我们的数据集由3个连续变量、11个序数(Likert0-5)(我认为像处理连续变量一样处理它们)和5个二进制变量组成。你有什么关于距离度量的建议，我们可以使用k-means方法来处理“大”数据集吗？我们坚持使用k-means，所以我真的希望你们中有一个人有好主意。
干杯,
马丁
浏览 2提问于2018-08-22得票数 1
使用以下语句根据特定字段值(Fields!CSU.Value="CEG")计算多类别收入的百分比
=sum(iif(Fields!CSU.Value="CEG",cdbl(Sum(Fields!Multi_Cat__Rev.Value)/Sum(Fields!Est_Revenue_000_s.Value)/1000),0))
这在我正在使用的当前数据集中工作得很好。我还试图计算两个数据集之间的差异(相同的等式)，但当我在函数中指定第二个数据集时，我得到了嵌套的聚合错误(见下文)
用于计算字段=Lookup(Fields!Opp__.Value,Fields!O
浏览 2提问于2017-02-21得票数 1
1回答
我们有几个聚合根，它们有两种主要的识别手段：
整数" key "，它用作数据库中的主键(通过引用聚合作为外键)，并且在应用程序内部使用，并且公共web API无法访问它。
一个基于字符串的"id"，它也唯一地标识聚合根，并且可以被公共web API访问。
拥有基于整数的私有标识符和基于字符串的公共标识符有几个原因--例如，数据库的性能更好(8字节整数，而不是可变长度字符串)，公共标识符很难猜测。
但是，类内部使用基于整数的标识符相互引用，如果基于整数的标识符为0，则表示对象尚未存储到数据库中。这就产生了一个问题，即实体在保存其他聚合根之前无法引用
浏览 6提问于2015-09-04得票数 3
1回答
我想在R中为线性回归模型绘制3D图:我希望显示线性模型的回归平面的曲面。我有两个连续变量(比如说年龄，身高)和两个因素(性别，过敏)。我想显示LM w.r.t的预测值。两个连续变量取决于每个因素的指定水平。
ILLNESS = AGE|{SEX==MALE + ALLERGIC==YES} + HEIGHT|{SEX==MALE + ALLERGIC==YES} +
AGE|{SEX==MALE + ALLERGIC==YES}*HEIGHT|{SEX==MALE + ALLERGIC==YES}
这就是我所想到的结果：
第一个问题：有什么很酷的功能，可以很容
浏览 0提问于2015-04-16得票数 0
回答已采纳
3回答
我有一个由不同群体的人在搜索中使用的关键字数据库。类似于：
group1person1: x, y, z
group1person2: x, z, d
...
group2person1: z, d, l
...
诸若此类
我想看看哪些关键字是一个给定的组最具特征的。我正在尝试做OkCupid在他们的博客中做的事情：
关于这项任务，有人能推荐合适的算法/术语/建议吗？
(我将使用Python完成此操作)
提前感谢！
浏览 0提问于2011-08-27得票数 7
回答已采纳
直方图的典型例子是:x=某个连续变量的定义桶，y=发生这些桶的频率。
我的处境：
我有一个数据集，其中一个列作为美国邮政编码，其他列具有关于这些邮政编码的各种统计信息(其中两个是median_household_income和column )。
我想做一个直方图式的图表，其中x轴是变量median_household_income的桶(以$10,000的增量)，其中y轴不仅仅是那些垃圾箱发生的频率--特别是那些垃圾箱的平均数量。(例如，在40,000美元的垃圾箱中，所有拉链的人口将平均，而人口平均数将是y轴上的杆高)。
hist函数以及ggplot2的直方图函数似乎没有选择放置y轴的东西。它只
浏览 4提问于2016-01-19得票数 2
回答已采纳
我们有一个大约90 GB的输入数据源(它可以是CSV或XML，这并不重要)，它包含一个已经排序的数据列表。为了简单起见，您可以认为它有两列:时间列和字符串列。此文件中的数亿行已经按时间列按升序排序。
在我们的Google cloud DataFlow中，我们将每一行都建模为Pcollection中的一个元素，并将DoFn转换应用于字符串字段(例如，计算字符串中大写的字符数等)。这可以很好地工作。
然而，然后我们需要应用应该为一段时间(例如五分钟)计算的函数，其中有一分钟的重叠。因此，我们正在考虑使用滑动窗口函数(即使数据是有界的)。
但是，需要在这五分钟窗口中应用的计算逻辑假定数据按时间字段进
浏览 0提问于2016-03-11得票数 1
2回答
我意识到MPLus和poLCA (R包)对潜在类的熵度量指的是不同的值范围。
在MPLUS中，该值的范围在0到1之间。他们提到熵度量表示类重叠，如果数字接近1，则类被很好地分开，反之亦然。
在R中，熵度量大于1，例如5，12。
你知道这两个度量之间是否可以换算吗？如何在R中计算0到1之间的熵度量？
浏览 1提问于2015-10-08得票数 1
今天，我遇到了一个很常见的问题，就是从由group by分割的数据集的每个组中选择最小值的行。我找到了一个SQLite特有的解决方案(它在MySQL中工作不正确，在PostgreSQL中抛出一个错误)，并且不使用任何联接。看起来是这样的：
SELECT *, min(x) FROM table GROUP BY y
是一个例子的花招。
但是，我不明白为什么会这样--仅仅通过包含一个聚合函数，每个组就会被隐式排序，并返回聚合函数的结果对应的行。默认SQL行为是选择任意行。我翻阅了，却没有找到任何解释。这就是我想要解释的原因。
编辑:到目前为止，两个答案都猜测这是一个巧合。事实并非如此。在实际的
浏览 1提问于2016-12-10得票数 1
回答已采纳
1回答
请给出熵(Ssun)的一步一步的计算。我不明白0.918是怎么算出来的。
我试过了，但是我得到了Sunny，Windy，Rainy的值为0.521089678，0.528771238，0.521089678。
我能够正确计算目标熵(判定)为= -(6/10)*log(6/10) + -(2/10)log(2/10) + -(1/10)log(1/10) + -(1/10)log(1/10) = 1.570950594
我完全被困在下一步了。请求你的帮助。
参考：http://www.doc.ic.ac.uk/~sgc/teaching/pre2012/v231/lecture11.html请搜
浏览 0提问于2015-02-11得票数 4
1回答
据我所知，GROUPING SET的目的是将汇总行与原始数据行组合起来。这也可以通过将一个表与GROUP BY摘要与UNION子句相结合来实现，但是GROUPING SET表单仅仅是更有效的，因为它是在一次传递中完成工作的。
这是对GROUPING SET的合理理解吗？
浏览 0提问于2017-10-09得票数 -1
回答已采纳
2回答
我有一个回归模型，其中因变量是连续的，但是90%的自变量是绝对的(包括有序的和无序的)，大约30%的记录有缺失的值(更糟糕的是，它们是随机丢失的，没有任何模式，也就是说，超过45%的数据至少有一个缺失值)。没有先验理论来选择模型的规格，因此在进行回归之前，关键任务之一是降维。虽然我知道几种连续变量降维的方法，但我不知道关于分类数据的类似静态文献(除了，作为对应分析的一部分，这基本上是频率表上主成分分析的一种变化)。我还要补充一点，数据集是中等大小的500000观测值，有200个变量。我有两个问题。
对于分类数据的降维和稳健的计算是否有一个很好的统计参考(我认为第一个问题是估算，然后是降维)
浏览 8提问于2010-05-14得票数 24
回答已采纳
问题
我试图使用R中的apply()函数来创建一个新变量，该变量与数据集中的几个非连续变量相加。
数据集是一个包含40个变量&1,000个观测值的数据集。(我还不知道如何在StackOverflow上直观地表示这一点。)
我可以使用这个函数将连续变量和如下：
data$newvar <- apply(data[24:34], MARGIN = 1, FUN = sum)
我想要创建一个变量，它的总和是24 & 34，但不是24到33。
data$newvar <- apply(data[24,34], MARGIN = 1, FUN = sum)
不幸的是，这是行不
浏览 2提问于2016-01-23得票数 0
回答已采纳
3回答
在对数据集进行分类时，我面临一个问题。目标变量是二进制变量(有2个类，0和1)。我在训练数据集中有8161个样本。每堂课我都有：
0类: 6,008份样品，占总数的73.6%。
第1类:2 153个样本，26.4%
我的问题是：
在这种情况下，是否应该考虑用作不平衡数据集的数据集？
如果是的话，我应该在使用RandomForest进行预测之前处理这些数据吗？
如果不是不平衡的数据集，有人能告诉我在什么情况下(比如每个类的比率)，我可以认为数据集不平衡吗？
浏览 0提问于2021-01-14得票数 1
我有两只同样长和宽的熊猫数据。我想要找到两个数据的每个单元之间的%CV (或者标准的dev和平均值，然后我可以手工计算CV )。
例如，如果我有这样的东西：
A B C
0 1 2 3
1 4 5 6
2 7 8 9
和
A B C
0 3 2 1
1 6 5 4
2 9 8 7
我想返回一个数据，其中包含第一个数据中的A1和第二个数据中的A1之间的标准差/平均值/CV。
例(平均数)：
A B C
0 2 2 2
1 5 5 5
2 8 8 8
我想要相同的标准差，然后通过标准偏差/平均值计算%CV。
我已经尝试将数据格式转换为numpy。
sta
浏览 15提问于2022-06-20得票数 2
回答已采纳
我有一个问题，要命名数据处理步骤。
我有一个包含字符串或null的属性。我希望将属性的记录更改为0(如果为null )和1(如果为非null )。什么预处理步骤名称？
我有一个属性，包含一个twitter用户的200个tweet。我创建了一个新的属性，用来描述200条tweet中的URL比率( 200 tweet/200中的URL数量)。它是聚合还是特性创建还是其他？
浏览 0提问于2015-12-10得票数 1
我正在探索Scikit-learn logistic回归算法。据我所知，作为训练的一部分，该算法建立了一条回归曲线，其中y变量的范围从0到1(S型S曲线)。在这里，y变量是一个连续变量(尽管实际上它是一个离散变量)。。
当训练数据集反映现实并包括y变量作为离散变量时，算法如何学习S曲线？在训练中没有概率估计，所以我想知道算法是如何学习S曲线的。
浏览 2提问于2021-01-03得票数 1
2回答
我有一些非常旧的遗留过程代码，它接受大约10个枚举输入i0，i1，i2，...i9并生成170个奇数枚举输出r0、r1、...r168，r169 .通过枚举，我的意思是每个单独的输入和输出都有自己的一组不同的值集，例如红色、绿色、黄色或yes、no等。
我正在使用现有的代码将整个状态表组合在一起，而不是手动费解它们，我想知道是否有一种算法方法来确定适当的函数，以从10个输入中获得每个结果。请注意，并非所有输入列都需要确定单个输出列，即r124可能仅依赖于i5、i6和i9。
这些不是连续的函数，我想我可能会使用某种散列函数方法，但我想知道是否有人知道我应该使用一个更可重复的过程？(如果多值非二元
浏览 0提问于2019-04-09得票数 2
我有一个数据集(在Excel中)，我将导入到SAS中进行一些建模。
我已经有了一种随机拆分excel数据集的方法(使用=RAND()函数)，但是是否有一种方法(在拆分阶段)确保样本的分布是均匀的(除了保持随机拆分和测试分布直到它变得可接受之外)？
否则，如果在SAS中执行得最好，那么测试样本随机性的最有效方法是什么？
数据集包含35个变量，混合了二进制变量、连续变量和分类变量。
浏览 1提问于2017-04-07得票数 0
回答已采纳
有没有一种方法可以在不绘制霍夫曼树的情况下找到每个字符的“位数”？换句话说，有没有办法通过字符的“频率”或“概率”来找到字符的代码长度？
注意:我想使用“可变长度代码”。请使用以下句子进行解释：
“这是霍夫曼树的一个例子”，例如“a”霍夫曼码有3位长度。
下面的站点有霍夫曼树，霍夫曼代码和这句话的出现频率：
浏览 2提问于2014-01-16得票数 0
1回答
我正在努力学习铸造车间，但我遇到了三大限制：
I有两个链接对象(以1到多个关系)、对象1和对象2。我需要在一个讲习班页面中创建一个过滤器列表，其中包含object1和object2的列。这些过滤器必须作用于相同的“objects小部件”，后者具有两个对象的一些属性。我能做吗？怎么做？
I需要创建一个包含2个聚合列的枢轴表(让我们想象一下最大值(最大值)和最小值(最小))。那么，我可以计算一个列作为聚合上的最大值和最小值的差吗？
是否可以显示一个支点表的前100个位置，它超过了可显示项的限制(可能是1,000个)？它只显示预览，排序只在预览中的1000个聚合上进行。这对我的分析来说是错误的。
最
浏览 11提问于2022-06-23得票数 2
2回答
我知道计算熵的公式：
H(Y) = - ∑ (p(yj) * log2(p(yj)))
换句话说，选择一个属性，并为每个值检查目标属性值...因此，p( yj )是节点N处属于类别yj的模式的分数-一个表示目标值为真，一个表示为假。
但是我有一个数据集，其中的目标属性是价格，因此是范围。如何计算这种数据集的熵？
(参考：)
浏览 2提问于2013-01-17得票数 8
回答已采纳
2回答
我正在尝试使用决策树(更准确地说是ID3算法)实现一个分类器。我的训练数据包含属性age，它是一个连续值。我正在尝试实现BestSplit()方法，在这个方法中，我需要将数据分割成k个分区，其中k=每个特性的可能值的数量！我被困住了，因为我知道在考虑到不同年龄的所有这些可能性的情况下，不可能对数据进行分割。这就是为什么我需要创建团队年龄！我怎么知道如何从所有这些可能的群集合中作出决定呢？
浏览 3提问于2014-03-07得票数 1
回答已采纳
1回答
假设我们有两个小的特征向量集(每个特征向量代表一个项)。在这两个集合(小样本，50个样本)之间有最大差异(分布)的特征是什么？考虑到每个特性的数据分布不一定正常。
浏览 0提问于2018-05-28得票数 3
回答已采纳
我正在使用pipelinedb测试来自传感器的数据流的一些分析。例如，我希望能够在流中找到由聚合定义的事件。例如，查找最近5分钟内最高(温度)和最低(温度)之间的差值超过一定范围的事件。
当尝试将聚合放在WHERE子句中时，我收到一条错误消息，类似于“连续视图中不允许聚合where类”。
我是不是漏掉了什么，还是根本不可能？
另外，我非常非常喜欢pipelinedb！
嗯，pipelinedb说：“连续查询不支持HAVING子句”。
我想要做的是：
我有一个名为geo_vital_stream的流，它将一些传感器数据与地理位置一起发送。目前我感兴趣的是
insert into geo_vita
浏览 0提问于2015-09-30得票数 0
1回答
我正在尝试用不同的方法对连续变量进行分类。我使用了两个方法- bin_sequence和entropy_based_binning方法qcut。为了测试，我创建了一个具有100个值的数据。我将前50条记录的值设置为1，接下来的几条记录设置为2，几条记录的值设置为5，12，然后随机设置几个数字，从而使数据倾斜。 当我试图用数量=6的bins运行它时，它只用qcut方法创建了3个bins。从pandas文档中还不清楚它是如何处理倾斜数据的。此外，关于基于熵的入库的可用信息也非常有限。如果有人能分享细节，我将不胜感激。每种方法的优缺点 年龄11111111111111111111111111111
浏览 25提问于2020-09-09得票数 0
1回答
我是时序数据库设计的新手。
我读过的指导原则之一是避免有大量的时间序列(例如。)或短命/消亡的时间序列。
作为练习，我尝试对github存储库的指标进行建模。我想要跟踪按各种属性聚合的注释/提交/更改行的总数。我最初的想法是在每次拉取请求时推送指标，并通过查询进行所有聚合。
{
labels: {
pr: 1234,
repo: aRepo,
author: personA
}
values: {
commits: 5,
changed_files: 2,
comments: 0
stat
浏览 2提问于2018-11-17得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
