大数据插值
我有一个庞大的数据集,约有50万条记录,表示给定一天内美元/英镑汇率的变化情况。
我有一个应用程序希望能够绘制这些数据或其中的一个子集。由于明显的原因,我不想在我的图表上绘制50万个点。
我需要一个较小的数据集(大约100个点),尽可能准确地表示给定的数据。有人知道任何有趣且效率高的方法可以实现这种数据吗?
谢谢,卡尔
大数据插值
我有一个庞大的数据集,约有50万条记录,表示给定一天内美元/英镑汇率的变化情况。
我有一个应用程序希望能够绘制这些数据或其中的一个子集。由于明显的原因,我不想在我的图表上绘制50万个点。
我需要一个较小的数据集(大约100个点),尽可能准确地表示给定的数据。有人知道任何有趣且效率高的方法可以实现这种数据吗?
谢谢,卡尔
> library(graphics)
# print out the first 10 rows of the cars dataset
> cars[1:10,]
speed dist
1 4 2
2 4 10
3 7 4
4 7 22
5 8 16
6 9 10
7 10 18
8 10 26
9 10 34
10 11 17
# plot the original data
> plot(cars, main = "lowess(cars)")
# fit a loess-smoothed line to the points
> lines(lowess(cars), col = 2)
# plot a finger-grained loess-smoothed line to the points
> lines(lowess(cars, f=.2), col = 3)
> data = lowess( cars$speed, cars$dist )
> data
$x
[1] 4 4 7 7 8 9 10 10 10 11 11 12 12 12 12 13 13 13 13 14 14 14 14 15 15 15 16 16 17 17 17 18 18 18 18 19 19
[38] 19 20 20 20 20 20 22 23 24 24 24 24 25
$y
[1] 4.965459 4.965459 13.124495 13.124495 15.858633 18.579691 21.280313 21.280313 21.280313 24.129277 24.129277
[12] 27.119549 27.119549 27.119549 27.119549 30.027276 30.027276 30.027276 30.027276 32.962506 32.962506 32.962506
[23] 32.962506 36.757728 36.757728 36.757728 40.435075 40.435075 43.463492 43.463492 43.463492 46.885479 46.885479
[34] 46.885479 46.885479 50.793152 50.793152 50.793152 56.491224 56.491224 56.491224 56.491224 56.491224 67.585824
[45] 73.079695 78.643164 78.643164 78.643164 78.643164 84.328698
有一个想法是使用数据库管理系统(DBMS)来使用适当的查询压缩数据。可以通过对特定范围进行中位数计算等伪查询操作来实现:
SELECT truncate_to_hour(rate_ts), median(rate) FROM exchange_rates
WHERE rate_ts >= start_ts AND rate_ts <= end_ts
GROUP BY truncate_to_hour(rate_ts)
ORDER BY truncate_to_hour(rate_ts)
其中truncate_to_hour是适合您的数据库管理系统的某些内容。或者使用类似的方法将时间分成唯一的块(例如四舍五入到最近的5分钟间隔),或者使用另一种适合于中位数替代的数学函数来聚合组。鉴于时间分段程序的复杂性以及您的数据库管理系统优化它的方式,可能更有效地在临时表上运行查询,并获得分段时间值。
如果你想要编写自己的程序,一个显而易见的解决方案是将记录集分成固定数量的点块,其值为平均值(平均数、中位数等选择一个)。这可能具有最快的优势,并显示整体趋势。
但它缺乏价格波动的戏剧性。更好的解决方案可能涉及查找拐点,然后使用滑动窗口在它们之间进行选择。这具有更好地显示当天实际事件的优点,但速度会较慢。
天真的方法就是计算每个像素对应时间间隔的平均值。
http://commons.wikimedia.org/wiki/File:Euro_exchange_rate_to_AUD.svg
这不显示波动。我建议在每个时间间隔内计算标准差,并将其绘制出来(实际上使每个像素高于一个单独的像素)。我找不到一个例子,但我知道Gnuplot可以做到这一点(但它不是用Java编写的)。
考虑创建枚举/迭代器包装器。我不熟悉Java,但它可能看起来类似于:
class MedianEnumeration implements Enumeration<Double>
{
private Enumeration<Double> frameEnum;
private int frameSize;
MedianEnumeration(Enumeration<Double> e, int len) {
frameEnum = e;
frameSize = len;
}
public boolean hasMoreElements() {
return frameEnum.hasMoreElements();
}
public Double nextElement() {
Double sum = frameEnum.nextElement();
int i;
for(i=1; (i < frameSize) && (frameEnum.hasMoreElements()); ++i) {
sum += (Double)frameEnum.nextElement();
}
return (sum / i);
}
}