Nano Hash - криптовалюты, майнинг, программирование

Выберите все значения переменных, для которых есть данные за каждый год

Скажем, у меня есть некоторые данные с двумя числовыми переменными в диапазоне от 0 до 1 (it1, it2), переменной имени, в которой есть имя субъекта, которому принадлежит числовая переменная, а затем некоторая дата для каждой меры в диапазоне от 2014 до 2017 года. Теперь я хочу создать набор данных, содержащий только меры людей, у которых есть значения для каждого года моей меры, а затем в будущем, возможно, указать, что мне нужны только меры для людей с данными в диапазоне от 2015 до 2017 года. , Есть ли у кого-нибудь намек на то, какой пакет или код может помочь мне с моей проблемой? Заранее спасибо.

date <- c("2015-11-26", "2015-12-30","2016-11-13", "2014-09-22", "2014-01-13", "2014-07-26", "2016-11-26", "2016-04-04", "2017-04-09", "2017-02-23", "2015-03-22")
names <- c("Max", "Allen", "Allen", "Bob", "Max", "Sarah", "Max", "Sarah", "Max", "Sarah", "Sarah")
it1 <- c(0.6, 0.3, 0.1, 0.2, 0.3, 0.8, 0.8, 0.5, 0.5, 0.3, 0.7)
it2 <- c(0.5, 0.8, 0.1, 0.4, 0.4, 0.4, 0.5, 0.8, 0.6, 0.5, 0.4)

date <- as.Date(date, format = "%Y-%m-%d")

myframe <- data.frame(date, names, it1, it2)

Желаемый результат:

date <- c("2015-11-26", "2014-01-13", "2014-07-26", "2016-11-26", "2016-04-04", "2017-04-09", "2017-02-23", "2015-03-22")
names <- c("Max", "Max", "Sarah", "Max", "Sarah", "Max", "Sarah", "Sarah")
it1 <- c(0.6, 0.3, 0.8, 0.8, 0.5, 0.5, 0.3, 0.7)
it2 <- c(0.5, 0.4, 0.4, 0.5, 0.8, 0.6, 0.5, 0.4)

date <- as.Date(date, format = "%Y-%m-%d")

myframe <- data.frame(date, names, it1, it2)
r date time-series as.date
24.07.2019

Ответы:


1

Создайте таблицу года и имени и для этих имен за все годы выберите эти строки. Пакеты не используются.

tab <- table(as.POSIXlt(myframe$date)$year + 1900, myframe$names)
subset(myframe, names %in% colnames(tab)[colSums(sign(tab)) == nrow(tab)])

давая:

         date names it1 it2
1  2015-11-26   Max 0.6 0.5
5  2014-01-13   Max 0.3 0.4
6  2014-07-26 Sarah 0.8 0.4
7  2016-11-26   Max 0.8 0.5
8  2016-04-04 Sarah 0.5 0.8
9  2017-04-09   Max 0.5 0.6
10 2017-02-23 Sarah 0.3 0.5
11 2015-03-22 Sarah 0.7 0.4
24.07.2019
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..