Category: လမ်းညွှန်

Autocorrelation သည် အချိန်အပိုင်းအခြားတစ်ခုနှင့် တစ်ခုအကြား ကွာဟနေသော ဗားရှင်းတစ်ခုကြား တူညီမှုအတိုင်းအတာကို တိုင်းတာသည်။ ကိန်းရှင်တစ်ခု၏ လက်ရှိတန်ဖိုးများနှင့် ၎င်း၏သမိုင်းတန်ဖိုးများကြား ဆက်နွယ်မှုကို တိုင်းတာသောကြောင့် ၎င်းကို တစ်ခါတစ်ရံတွင် “ serial correlation” သို့မဟုတ် “ lagged correlation” ဟုခေါ်သည်။ အချိန်စီးရီးတစ်ခုရှိ autocorrelation မြင့်မားသောအခါ၊ အတိတ်တန်ဖိုးများကို ရည်ညွှန်းရုံဖြင့် အနာဂတ်တန်ဖိုးများကို ခန့်မှန်းရန် လွယ်ကူလာပါသည်။ R တွင် autocorrelation ကိုဘယ်လိုတွက်ရမလဲ မတူညီသောကာလ 15 ခုအတွက် သတ်မှတ်ထားသော variable ၏တန်ဖိုးကိုပြသသော...

Cosine တူညီမှု သည် အတွင်းထုတ်ကုန်တစ်ခု၏ ကွက်လပ်နှစ်ခုကြားရှိ တူညီမှုအား တိုင်းတာမှုတစ်ခုဖြစ်သည်။ Vector နှစ်ခုဖြစ်သော A နှင့် B အတွက် ကိုsine ဆင်တူယိုးမှားကို အောက်ပါအတိုင်း တွက်ချက်သည် ။ ကိုsine ဆင်တူယိုးမှား = ΣA i B i / (√ΣA i 2 √ΣB i 2 ) ဤသင်ခန်းစာသည် NumPy စာကြည့်တိုက်မှ လုပ်ဆောင်ချက်များကို အသုံးပြု၍ Python ရှိ vector...

Vector A နှင့် B နှစ်ခုကြားရှိ Euclidean အကွာအဝေးကို အောက်ပါအတိုင်း တွက်ချက်သည်။ ယူကလစ်အကွာအဝေး = √ Σ(A i -B i ) ၂ Python ရှိ vector နှစ်ခုကြားရှိ Euclidean အကွာအဝေးကို တွက်ချက်ရန် numpy.linalg.norm လုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်ပါသည်။ #import functions import numpy as np from numpy. linalg import norm #define...

ဒေတာအတွဲကို စံသတ်မှတ်ခြင်း သည် ပျမ်းမျှတန်ဖိုးသည် 0 ဖြစ်ပြီး စံသွေဖည်မှုမှာ 1 ဖြစ်သည့်အတွက် ဒေတာအတွဲရှိ တန်ဖိုးအားလုံးကို အတိုင်းအတာကို ချဲ့ထွင်ခြင်းဖြစ်သည်။ ၎င်းကိုလုပ်ဆောင်ရန် အသုံးအများဆုံးနည်းလမ်းမှာ အောက်ပါဖော်မြူလာကို အသုံးပြု၍ တန်ဖိုးများကို ချိန်ညှိပေးသည့် z-score စံသတ်မှတ်ချက်ကို အသုံးပြုခြင်းဖြစ်သည်- (x i – x ) / s ရွှေ- x i : dataset ၏ ith တန်ဖိုး x : နမူနာကိုဆိုလိုသည်။ s...

R တွင် ဗလာဒေတာဘောင်တစ်ခုကို ဖန်တီးရန် အခြေခံနည်းလမ်းနှစ်ခုရှိသည်။ နည်းလမ်း 1- ကော်လံအမည်များဖြင့် မက်ထရစ် #create data frame with 0 rows and 3 columns df <- data.frame(matrix(ncol = 3, nrow = 0)) #provide column names colnames(df) <- c(' var1 ', ' var2 ', ' var3 ') နည်းလမ်း...

အောက်ပါနည်းလမ်းများထဲမှ တစ်ခုကို အသုံးပြု၍ R ရှိ ဒေတာဘောင်တစ်ခုသို့ အတန်းတစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော အတန်းကို အမြန်ထည့်နိုင်သည်- နည်းလမ်း 1- ဒေတာဘောင်များထည့်ရန် rbind() ကိုသုံးပါ။ rbind(df1, df2) နည်းလမ်း 2- အတန်းတစ်ခုထည့်ရန် nrow() ကိုသုံးပါ။ df[nrow(df) + 1,] = c(value1, value2, ...) ဤသင်ခန်းစာတွင် ဤနည်းလမ်းတစ်ခုစီကို လက်တွေ့အသုံးချနည်းနမူနာများကို ပေးထားပါသည်။ နည်းလမ်း 1- ဒေတာဘောင်များထည့်ရန် rbind() ကိုသုံးပါ။ ဤပထမနည်းလမ်းသည် သင့်တွင်...

R ပရိုဂရမ်းမင်းဘာသာစကားသည် R အလုပ်ခွင်ရှိ အရာဝတ္ထုများကိုပြသခြင်းနှင့် ဖျက်ခြင်းအတွက် အသုံးဝင်သောလုပ်ဆောင်ချက်နှစ်ခုကို ပံ့ပိုးပေးသည်- ls(): လက်ရှိအလုပ်ခွင်ရှိ အရာဝတ္ထုအားလုံးကို စာရင်းပြုစုသည်။ rm(): လက်ရှိအလုပ်ခွင်မှ တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော အရာများကို ဖယ်ရှားသည်။ ဤသင်ခန်းစာတွင် ဒေတာဘောင်များကို ဖျက်လိုက်ကြောင်း အတည်ပြုရန် R ရှိ ဒေတာဘောင်များကို ဖျက်ရန် rm ( ) လုပ်ဆောင်ချက်ကို အသုံးပြုပုံကို ရှင်းပြထားသည်။ ဒေတာဘောင်တစ်ခုကို ဖျက်လိုက်ပါ။ အောက်ပါကုဒ်သည် သင့်လက်ရှိ R အလုပ်ခွင်မှ ဒေတာဘောင်တစ်ခုအား ဖျက်နည်းကို...

R ဖြင့် ရက်စွဲတစ်ခုမှ တစ်နှစ်ကို အမြန်ထုတ်ယူရန် နည်းလမ်းနှစ်ခုရှိသည်။ နည်းလမ်း 1- ဖော်မက်() ကိုသုံးပါ df$year <- format( as.Date (df$date, format=" %d/%m/%Y ")," %Y ") နည်းလမ်း 2- ချောဆီ အထုပ်ကို အသုံးပြုပါ။ library (lubridate) df$year <- year( mdy (df$date)) ဤသင်ခန်းစာတွင် ဤနည်းလမ်းတစ်ခုစီကို လက်တွေ့အသုံးချနည်းကို နမူနာပြထားသည်။ နည်းလမ်း 1- ဖော်မတ်() ကို အသုံးပြု၍...

Excel ရှိ VLOOKUP လုပ်ဆောင်ချက်သည် သင့်အား ကော်လံတစ်ခုပေါ်တွင် ကိုက်ညီခြင်းဖြင့် ဇယားတစ်ခုအတွင်းရှိ တန်ဖိုးတစ်ခုကို ရှာဖွေနိုင်စေပါသည်။ ဥပမာအားဖြင့်၊ အောက်ပါ Excel စာရင်းဇယားတွင်၊ ကစားသမား၏အမည်နှင့် ကိုက်ညီစေရန် VLOOKUP ကို အသုံးပြု၍ ကစားသမားတစ်ဦး၏အဖွဲ့အမည်ကို ရှာဖွေနိုင်သည်- ကျွန်ုပ်တို့သည် အခြေခံ R သို့မဟုတ် dplyr ပက်ကေ့ခ်ျကို အသုံးပြု၍ ဤလုပ်ဆောင်ချက်ကို ပုံတူပွားနိုင်သည်။ Base R ကိုအသုံးပြုခြင်း- merge(df1, df2, by=" merge_column ") dplyr ကိုအသုံးပြုခြင်း- inner_join(df1,...

gsub() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ R ရှိ ဒေတာဘောင်ကော်လံများမှ ဒေါ်လာ ဆိုင်းဘုတ်များနှင့် ကော်မာများကို အလွယ်တကူ ဖယ်ရှားနိုင်သည်။ ဤသင်ခန်းစာတွင် ဤလုပ်ဆောင်ချက်ကို လက်တွေ့အသုံးပြုခြင်း၏ နမူနာသုံးခုကို ပြသထားသည်။ R တွင် ဒေါ်လာ ဆိုင်းဘုတ်များကို ဖယ်ရှားပါ။ အောက်ပါကုဒ်သည် R ရှိ ဒေတာဘောင်ရှိ သီးခြားကော်လံတစ်ခုမှ ဒေါ်လာငွေသင်္ကေတများကို ဖယ်ရှားနည်းကို ပြသသည်- #create data frame df1 <- data.frame(ID=1:5, sales=c('$14.45', '$13.39', '$17.89', '$18.99', '$20.88'), stringsAsFactors...