Mysql exponencial móvel média

Quando eu tive um problema semelhante, eu acabei usando tabelas temporárias por uma variedade de razões, mas isso tornou isso muito mais fácil O que eu fiz parece muito semelhante ao que você está fazendo, tanto quanto o esquema vai. Faça o esquema algo como Identidade ID, startdate, enddate, value Quando você seleciona, faça uma subsegologia avg do anterior 20 com base na identidade ID. Only fazer isso se você encontrar-se já usando tabelas temporárias por outras razões embora eu acertar as mesmas linhas mais e mais para Diferentes métricas, por isso foi útil ter o pequeno conjunto de dados. Na minha experiência, Mysql a partir de 5 5 x tende a não usar índices em dependente seleciona, se uma subconsulta ou junção Isso pode ter um impacto muito significativo no desempenho onde o dependente selecionar Critérios de mudança em cada row. Moving média é um exemplo de uma consulta que cai nessa categoria O tempo de execução pode aumentar com o quadrado das linhas Para evitar isso, escolher um mecanismo de banco de dados que pode executar pesquisas indexadas em dependente seleciona eu encontrar postgres Efeito de obras Usando uma média móvel simples para suavizar os dados é uma técnica bastante popular é muito ruim o exemplo primário na Ajuda do SQL Anywhere é muito mais do que isso. A partir de simples O que torna esse exemplo tão complexo Além da declaração de problema, que é calcular a média móvel de todas as vendas de produtos, por mês, no ano 2000.Aqui está o que torna complexo. two referências à função AVG. Por si só faz apenas sobre qualquer SELECT um head-scratcher. Uma cláusula WINDOW stealth. a cláusula WINDOW que doesn t mesmo usar a palavra-chave WINDOW para os não iniciados as pessoas que precisam de exemplos mais do que ninguém, não é óbvio que um WINDOW está envolvido em tudo. Não apenas qualquer cláusula WINDOW, Mas uma que inclui cada componente único que você pode codificar em uma cláusula WINDOW. a PARTITION BY. a RANGE não uma cláusula ROWS simples, mas full-blown cláusula RANGE, um que tem um relacionamento íntimo com o ORDER BY eu sei o que é uma linha, Mas o que o redigido é um RANGE. But esperar, há s mais A escolha de RANGE sobre ROWS neste exemplo é fundamental para a operação correta da consulta para uma discussão mais completa deste exemplo específico, veja Exemplo 23 - Computing a Moving Average Em Glenn Paulley s excelente OLAP white paper Agora, vamos voltar à pista. Realmente Realmente simples Moving Average. O exemplo a seguir exibe 10 dias de dados em conjunto com a média móvel de hoje s valor e ontem s A cláusula WINDOW em linhas 21 a 23 Define uma janela em movimento que contém duas linhas de linha de hoje s row ROUND CURRENT e ontem linha s 1 PRECEDING. the WINDOW ORDER BY cláusula determina o que PRECEDING significa a linha anterior por and. the ROWS cláusula determina o tamanho da janela sempre duas linhas. A expressão AVG OVER twodays na linha 19 refere-se à cláusula WINDOW por nome, e ele diz ao SQL Anywhere para calcular a média dos dois valores de que existem na janela deslizante de 2 linhas, para cada linha no conjunto de resultados. Assim, para 2017 -02-02 a média de 10 e 20 é 15 000000.for 2017-02-03 a média de 20 e 10 é 15 000000.for 2017-02-04 a média de 10 e 30 é 20 000000.for 2017-02 -10 a média de 10 e 60 é 35 000000.Oops, que sobre a primeira fileira. A linha 2017-02-01 não tem uma linha PRECEDING, então qual é a média sobre a janela em movimento. De acordo com Glenn Paulley s branco Papel no caso de uma janela em movimento, assume-se que as linhas que contêm valores Nulos existem antes da primeira linha, e depois da última linha, no inpu T. Isso significa que quando a janela em movimento tem 2017-02-01 como ROUND CURRENT, a linha 1 PRECEDING contém valores NULL e quando o SQL Anywhere calcular um AVG que inclui um valor NULL, ele não conta o NULL em todos os não no Numerador ou no denominador ao calcular a média Aqui está a prova Isso é por que twodayaverage 10 000000 para a primeira fila 2017-02-01.Postado por Breck Carter em 3 47 PM. Na minha recente conversa em Surge e Percona Live sobre a detecção de falha adaptativa Slides, afirmei que hardcoded limiares para alertar sobre as condições de erro são geralmente melhores para evitar em favor de limiares dinâmicos ou adaptáveis ​​Eu realmente fui muito mais longe do que isso e disse que é possível detectar falhas com grande confiança em muitos sistemas como o MySQL, sem Definindo quaisquer limiares em tudo. Neste post eu quero explicar um pouco mais sobre as médias móveis que usei para determinar o comportamento normal nos exemplos que dei Há dois candidatos óbvios para mover médias simples mover um No caso, eu usei 60 amostras. Isso requer manter um array das amostras N anteriores e atualizar a média para cada amostra. Uma média móvel direta calcula apenas a média média sobre as últimas N amostras de dados. A média móvel exponencial não requer a manutenção de amostras A média é um único número e você tem um fator de suavização Para cada nova amostra, você multiplica a média antiga por 1- e adicione-a à nova amostra vezes avg 1-alpha avg Ambas as técnicas têm suas desvantagens Ambos exigem um período de aquecimento, por exemplo Obviamente, no caso de uma janela de 60 amostras em movimento, você precisa de 60 amostras antes de começar. A média móvel exponencial pode ser iniciada a partir da média de As primeiras 10 amostras, na minha experiência Ambas as técnicas também atrasar a tendência nas amostras, em certa medida Quando há uma mudança dramática no padrão, eles levam um tempo para pegar up. Aqui está um gráfico de alguns dados reais e t A linha azul é a amostra de dados, a linha vermelha é uma média móvel exponencial com uma média de 60 segundos de memória, ea linha amarela é uma média móvel de 60 segundos. Observe como a linha vermelha Tende a correção mais rápida e ficar mais fiel ao comportamento atual da linha azul Esta é uma vantagem da média móvel exponencial se é isso que você deseja. Não é óbvio nesses dados, mas a média móvel simples tem outra Desvantagem Suponha que haja um pico de valores muito altos nos dados amostrados por alguns segundos Durante os próximos 60 segundos, este pico vai estar dentro da janela, inflando a média móvel Quando é descartada da janela, faz com que a movimentação Média para cair de repente eu encontrei isso para ser problemático em vários casos É especialmente óbvio quando você está calculando o desvio padrão das amostras ou outras estatísticas sensíveis sobre a janela em movimento. A média móvel exponencial doesn T tem esse problema, porque esse pico nunca se move para fora da janela Sua influência está lá para sempre, mas com o passar do tempo, torna-se gradualmente menor, de uma forma suave Então você não tem picos abruptos na média atual com base no que aconteceu 60 segundos atrás . Isso é apenas coçar a superfície das técnicas que eu explorei em um grande conjunto de dias a semanas de dados de dezenas de milhares de servidores reais. À medida que eu tiver tempo, vou tentar escrever mais sobre isso no futuro.