Nano Hash - криптовалюты, майнинг, программирование

Дневная таблица непредвиденных обстоятельств в R с использованием table()

У меня есть таблица данных с отметкой времени, температурой и столбцами состояния. Я пытаюсь найти таблицу непредвиденных обстоятельств в R, используя некоторые диапазоны частот. Теперь я получаю это. У меня есть столбец для метки времени в моих данных. Мне нужно получить дневную таблицу непредвиденных обстоятельств.

result = as.data.frame(table(cut(df$temp,breaks=c(0,30,60,80,100,1000),labels=c("0-30","30-60","60-80","80-100","100>"))))

Выход :

Var1    Freq
0-30    1398
30-60   1051
60-80   1006
80-100  36
100>    2

Ожидаемый результат:

Date             Var1    Freq
05-01-2020      0-30    1398
05-01-2020      30-60   1051
05-01-2020      60-80   1006
05-01-2020      80-100  36
05-01-2020      100>    2
06-01-2020      0-30    1398
06-01-2020      30-60   1051
06-01-2020      60-80   1006
06-01-2020      80-100  36
06-01-2020      100>    2

Кроме того, у меня есть столбец состояния со значениями 1 и 0. Как добавить это вместе с датой в вывод.

r data.table
29.05.2020

  • Пожалуйста, будьте более точны. Откуда берутся ваши временные метки/дата? Какова связь с вашей колонкой статуса? 29.05.2020
  • поэтому я предполагаю, что у вас есть еще один столбец с именем Дата для метки времени, вам просто нужно разделить имеющийся у вас data.frame и выполнить вырезание и таблицу. Как вы хотите обобщить статус? 29.05.2020
  • Этот вопрос является дубликатом применения cut() к кадру данных R ежедневно. 01.06.2020

Ответы:


1

Ваш желаемый результат с некоторыми созданными датами:

library(lubridate)

df <- read_table2("Var1    Freq
0-30    1398
30-60   1051
60-80   1006
80-100  36
100>    2")

date <- data.frame(Date=seq(dmy("05-01-2020"), length=2, by="1 day"))

df <- merge(df, date, all=TRUE)
df
# > df
#      Var1 Freq       Days
# 1    0-30 1398 2020-01-05
# 2   30-60 1051 2020-01-05
# 3   60-80 1006 2020-01-05
# 4  80-100   36 2020-01-05
# 5    100>    2 2020-01-05
# 6    0-30 1398 2020-01-06
# 7   30-60 1051 2020-01-06
# 8   60-80 1006 2020-01-06
# 9  80-100   36 2020-01-06
# 10   100>    2 2020-01-06
29.05.2020
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..