DS algo ?

[Сабина]

Решаю такую задачу ....
Думала SQL-ом, аналитическая функция (LAG etc), но потом подумалось что должен быть какой нибудь подходящий DS algoritm. Перекопала свои лекции по ML4BIZ, ничего подходящего не нашла. Решила спросить здешних датасатанистов

Есть timeseries records like

Code: Select all

ID      timestamp  col1      col2     col3. .....

abc1  ts1             val1     val2     val3
abc1  ts2             val1     val2     val3
abc3  ts3             val1     val2     val3
abc1  ts4             val1     val2     val3
abc1  ts5             val1     val2     val3
abc1  ts6             val1     val2     val3
abc3  ts7             val1     val2     val3
abc1  ts8             val1     val2     val3

Нужно извлечь insights like ...
- abc1 has the most changes in col1 over time, abc3 has the most changes in col3 over time
- col3 is the most frequently changed column in the last 24 hours

И все в таком духе.

Anybody ?

[Komissar]

Это из колледж курса по Data Science. Младшему задали?

[Uzito]

Anybody ?

Разве это что-то сложнее COUNT DISTINCT?

[Сабина]

Anybody ?

Разве это что-то сложнее COUNT DISTINCT?

А как вы с count distinct посчитсаете какая колонка менялась чаше чем другая ? Там их собственно 500+ и надо еше и ранжировать по частоте update. Это замучаешься с count distinct . Но я думаю что наверняка есть готовый алгоритм для аназлиза timeseries который все это махом делает и еше и charts строит

[Lisa]

Какой тут может быть ещё алгоритм, кроме как в цикле частоту в каждом столбце посчитать?

[Ion Tichy]

Статистика / тер-вер не помогут?
Чем больше дисперсия, тем сильнее расколбас...

[Сабина]

Какой тут может быть ещё алгоритм, кроме как в цикле частоту в каждом столбце посчитать?

вы о чем ?

[Uzito]

А как вы с count distinct посчитсаете какая колонка менялась чаше чем другая ? Там их собственно 500+ и надо еше и ранжировать по частоте update. Это замучаешься с count distinct . Но я думаю что наверняка есть готовый алгоритм для аназлиза timeseries который все это махом делает и еше и charts строит

Если изменения A->B->C-> ...-> ZZY -> ZZZ то для подсчёта изменений достаточно просто count distinct. Если значения меняются A->B->C->B->A->B->C то нужен LAG для нахождения количества 'значение поменялось'. 500 колонок можно перевернуть в строки и нахождение самой изменяемой колонки сведётся просто к сортировке пересчитанного.

[Сабина]

А как вы с count distinct посчитсаете какая колонка менялась чаше чем другая ? Там их собственно 500+ и надо еше и ранжировать по частоте update. Это замучаешься с count distinct . Но я думаю что наверняка есть готовый алгоритм для аназлиза timeseries который все это махом делает и еше и charts строит

Если изменения A->B->C-> ...-> ZZY -> ZZZ то для подсчёта изменений достаточно просто count distinct. Если значения меняются A->B->C->B->A->B->C то нужен LAG для нахождения количества 'значение поменялось'. 500 колонок можно перевернуть в строки и нахождение самой изменяемой колонки сведётся просто к сортировке пересчитанного.

Это точно не сработает. Во первых там новых данных приплывает 1 ТВ в неделю в этой таблице. Во вторых некоторые из колонок это списки объектов. ( List<Sruct>) , надо custom UDF писать для сравнения значений.
Есть колонки где значения А -> А -> А -> А ... месяцами

[Ann4Ann]

Какой тут может быть ещё алгоритм, кроме как в цикле частоту в каждом столбце посчитать?

вы о чем ?

ну в принципе да, частоту изменений.
может, я не совсем поняла задачу... на прошлой работе у меня была на питоне и кафке написана стриминговая библиотека для индексации time series. это инженерная задача.
скажем у вас есть несколько тысяч сенсоров с производства и они стримят сигналы каждый со своей частотой .. есть раз в 5 секунд, есть раз в 30, есть раз в час.... пишется конфигурируемая компонента, которая их принимает и считает что там ей надо посчитать. в вашем случае индекс изменений (плюс я б добавила стандартно count, min, max avg) в час, в день, в месяц... и тыды. там же вполне могут быть хуки для более сложных реал тайм алгоритмов. потом из индексов уже и чарты, и простой sql подсчет и что угодно. эти компоненты конфигурятся и выстраиваются и в длину, и в ширину, как для конкретной задачи удобнее. ну и, понятно, что они всегда обрабатывают real time поток, но и в режиме R&D на таком пайплайне датасаянтисты всегда могут запустить replay всего, или какого то куска ts и натренировать что там они тренируют, тут серверлесс он деманд и вперед.
на самом деле это где то похоже и на индексацию видео стрима, и на построение поисковых индексов. вы ж там, вроде, уже это написали. питон там или джава вообще фиолетово, там и кода то совсем мало, я на питоне писала только из за хуков для нашей ds команды. а нельзя ваш же поисковый пайплайн на эти ваши ts напустить чуть подкрутив?

[Сабина]

Какой тут может быть ещё алгоритм, кроме как в цикле частоту в каждом столбце посчитать?

вы о чем ?

ну в принципе да, частоту изменений.
может, я не совсем поняла задачу... на прошлой работе у меня была на питоне и кафке написана стриминговая библиотека для индексации time series. это инженерная задача.
скажем у вас есть несколько тысяч сенсоров с производства и они стримят сигналы каждый со своей частотой .. есть раз в 5 секунд, есть раз в 30, есть раз в час.... пишется конфигурируемая компонента, которая их принимает и считает что там ей надо посчитать. в вашем случае индекс изменений (плюс я б добавила стандартно count, min, max avg) в час, в день, в месяц... и тыды. там же вполне могут быть хуки для более сложных реал тайм алгоритмов. потом из индексов уже и чарты, и простой sql подсчет и что угодно. эти компоненты конфигурятся и выстраиваются и в длину, и в ширину, как для конкретной задачи удобнее. ну и, понятно, что они всегда обрабатывают real time поток, но и в режиме R&D на таком пайплайне датасаянтисты всегда могут запустить replay всего, или какого то куска ts и натренировать что там они тренируют, тут серверлесс он деманд и вперед.
на самом деле это где то похоже и на индексацию видео стрима, и на построение поисковых индексов. вы ж там, вроде, уже это написали. питон там или джава вообще фиолетово, там и кода то совсем мало, я на питоне писала только из за хуков для нашей ds команды. а нельзя ваш же поисковый пайплайн на эти ваши ts напустить чуть подкрутив?

Спасибо за идею , теперь поняла. По идее min, max подойдёт для простых значений.

[blanko27]

Перед сравнением входные данные обычно нормализуют (вычитая mean и деля на variance), но если у вас абстрактная задача, то можно и так.

[liamkin]

Какой тут может быть ещё алгоритм, кроме как в цикле частоту в каждом столбце посчитать?

вы о чем ?

ну в принципе да, частоту изменений.
может, я не совсем поняла задачу... на прошлой работе у меня была на питоне и кафке написана стриминговая библиотека для индексации time series. это инженерная задача.
скажем у вас есть несколько тысяч сенсоров с производства и они стримят сигналы каждый со своей частотой .. /quote]

Спасибо за идею , теперь поняла. По идее min, max подойдёт для простых значений.

Если данных много и они все время поступают - то нужна стриминговая обработка. Иначе захлебнетесь.
И в этом случае легко считать все эти "тренды" в таймсерис.

[Сабина]

Вопрос уже решён, всем спасибо