Nano Hash - криптовалюты, майнинг, программирование

Руководство SAS Enterprise — округление чисел перед СРАВНЕНИЕМ PROC

Итак, я хочу сравнить поле суммирования из двух таблиц на основе определенных сгруппированных переменных. Но поскольку меня не волнует разница меньше 0,000099, я округлил поле до четвертого десятичного знака перед использованием PROC COMPARE, но я все еще вижу различия меньше 0,000099.

Я не хочу использовать аргумент METHOD в PROC COMPARE.


  • Возможно, вам захочется объяснить, почему вы не хотите использовать аргумент METHOD в PROC COMPARE; так как вы упомянули, что я предполагаю, что у вас есть причина для этого. Возможно, в ответе используется METHOD, но он может решить любую вашу проблему. 04.02.2015
  • Я искренне извиняюсь, ребята. Я понял ошибку, которую я совершал, я суммировал округленные числа в своем запросе, а не округлял суммированные числа. Как закрыть этот вопрос? 04.02.2015

Ответы:


1

Попробуйте вариант criterion, а не method:

proc compare data = x criterion = 0.0001;

Некоторые обсуждения можно найти здесь в разделе Критерий равенства.

Изменить: как указывает Джо, это неявно устанавливает method = relative, поэтому для соответствия вопросу также необходимо method = absolute. Но, к сожалению, это не соответствует просьбе Джайеш...

03.02.2015
  • Это правильный ответ; но следует отметить, что это меняет используемый метод - на METHOD=RELATIVE. 04.02.2015
  • Я (ошибочно) предположил, что это абсолютное сравнение; Спасибо за указание на это. 04.02.2015
  • Я думаю, что если вы затем установите method=absolute, одно или другое утверждение будет проигнорировано. 04.02.2015

  • 2

    Если вы абсолютно не можете изменить METHOD, то у вас есть вариант FUZZ, который позволит вам скрыть различия меньше, чем фактор размытия. Это не устраняет различия - они по-прежнему помечаются как разные, - но скрывает разницу (любая разница ‹ FUZZ будет отображаться как нулевая или отсутствующая в зависимости от контекста). Затем вам придется выполнить постобработку набора данных или отчета, чтобы устранить эти различия вручную.

    Если вы видите такие различия после округления, вы, вероятно, видите проблемы, вызванные точностью с плавающей запятой. Даже округление может повлиять на следующую значащую цифру; вам нужно будет округлить до чего-то еще менее значимого, чтобы быть уверенным, что «истинный» .0001 подавлен. [То есть, округление не работает идеально, потому что округленное число все еще должно храниться как числовое, а поскольку вы округляете до десятичных значений, а не до двоичных, это не гарантирует правильное сохранение числа.]

    03.02.2015
    Новые материалы

    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..