有没有办法让我们可以获得应用程序的所有Jenkins-"构建时间趋势"信息(构建号+状态[成功/失败等] +持续时间) ; 使用Jenkins远程访问API？
或者,如果您可以发布有关如何使用远程访问API从Jenkins获取信息的任何文档的链接,我将不胜感激.大多数来源包括运行作业的方式,但我找不到任何来源,它显示了如何从jenkins获取信息.
谢谢!
我正在构建一个应用程序,为此我有一个函数来填充测试数据.简短说明:
HashMap<String, Long> iIDs = new HashMap<String, Long>();
HashMap<String, Integer> vals = new HashMap<String, Integer>();
long iID1 = addIndicator("I1", "i1", Color.RED);
long iID2 = addIndicator("I2", "i2", Color.BLUE);
long iID3 = addIndicator("I3", "i3", Color.GREEN);
long iID4 = addIndicator("I4", "i4", Color.MAGENTA);
iIDs.put("iID1", iID1);
iIDs.put("iID2", iID2);
iIDs.put("iID3", iID3);
iIDs.put("iID4", iID4);
int v1 = 80;
int v2 = 30;
int v3 = 25;
int v4 = 40;
vals.put("v1", v1);
vals.put("v2", v2);
vals.put("v3", v3);
vals.put("v4", v4);
int numDays = 500;
int dateDistance = 14;
Calendar …我是时间序列分析的新手.我试图找到一个短(1天)温度时间序列的趋势,并尝试不同的近似值.此外,采样频率为2分钟.数据被分配给不同的站点.我将比较不同的趋势,看看它们是否相似.
这样做我面临三个挑战:
Q1 - 我如何提取模式？
Q2 - 我如何量化趋势,因为我将比较趋势属于两个不同的地方？
Q3 - 我什么时候可以说两种趋势相似或不相似？
上次我询问如何计算每个测量时间(周)的平均分数,对于多个受访者重复测量的变量(procras).所以我的(简化)长格式数据集看起来像下面的例子(这里有两个学生,5个时间点,没有分组变量):
studentID week procras
1 0 1.4
1 6 1.2
1 16 1.6
1 28 NA
1 40 3.8
2 0 1.4
2 6 1.8
2 16 2.0
2 28 2.5
2 40 2.8
使用dplyr我会得到每个测量场合的平均分数
mean_data <- group_by(DataRlong, week)%>% summarise(procras = mean(procras, na.rm = TRUE))
看起来像这样:
Source: local data frame [5 x 2]
occ procras
(dbl) (dbl)
1 0 1.993141
2 6 2.124020
3 16 2.251548
4 28 2.469658
5 40 2.617903
使用ggplot2,我现在可以绘制随时间的平均变化,并通过轻松调整dplyr的group_data(),我也可以获得每个子组的平均值(例如,男性和女性的每次平均得分).现在我想在mean_data表中添加一个列,其中包括每个场合平均得分95%-CIs的长度.
http://www.cookbook-r.com/Graphs/Plotting_means_and_error_bars_(ggplot2)/解释了如何获取和绘制CI,但这种方法似乎一旦我想为任何子组执行此操作就会出现问题,对吧？那么有没有办法让dplyr在mean_data中自动包含CI(基于组大小等)？之后,将新值作为CI绘制到我希望的图表中应该相当容易.谢谢.
我试图找出谷歌趋势背后的系统设计(或任何其他像Twitter这样的大规模趋势功能).
挑战:
需要处理大量数据来计算趋势.
过滤支持 - 按时间,地区,类别等
需要一种存储进行存档/离线处理的方法.过滤支持可能需要多维存储.
这就是我的假设(我对MapReduce/NoSQL技术没有实际经验)
来自用户的每个搜索项将维护将被存储并最终处理的一组属性.
以及按时间戳,搜索区域,类别等维护搜索列表.
例:
搜索Kurt Cobain术语:
Kurt-> (Time stamp, Region of search origin, category ,etc.)
Cobain-> (Time stamp, Region of search origin, category ,etc.)
题:
他们如何有效地计算搜索词的频率？
换句话说,给定一个大型数据集,他们如何以分布式可扩展方式找到前10个频繁项目？
我有几周的销售数据
xs[weeks] = [1,2,3,4]
ys['Units Sold'] = [1043,6582,5452,7571]
从给定的系列中，我们可以看到，虽然从 xs[2] 到 xs[3] 有所下降，但总体上呈上升趋势。如何检测小时间序列数据集中的趋势。
为这条线找到一个斜率是最好的方法吗？以及如何计算python中一条线的倾斜角？
我有一个表(让我们称之为数据)与一组对象ID,数值和日期.我想确定其值在过去X分钟(例如,一小时)内具有正趋势的对象.
示例数据:
entity_id | value | date
1234 | 15 | 2014-01-02 11:30:00
5689 | 21 | 2014-01-02 11:31:00
1234 | 16 | 2014-01-02 11:31:00
我试着看类似的问题,但没有找到任何帮助不幸...
我在一个名为的数据框中有来自雅虎财经的每日股票价格数据price_data.
我想在此添加一列,它提供了列的时间序列趋势的拟合值Adj Close.
这是我正在使用的数据的结构:
In [41]: type(price_data)
Out[41]: pandas.core.frame.DataFrame
In [42]: list(price_data.columns.values)
Out[42]: ['Open', 'High', 'Low', 'Close', 'Volume', 'Adj Close']
In [45]: type(price_data.index)
Out[45]: pandas.tseries.index.DatetimeIndex
在Python语言中实现这一目标的最佳方法是什么？
顺便说一句,以下是R语言中的这一点
all_time_fitted <- function(data)
{
all_time_model <- lm(Adj.Close ~ Date, data=data)
fitted_value <- predict(all_time_model)
return(fitted_value)
}
以下是一些示例数据:
In [3]: price_data
Out[3]:
Open High Low Close Volume Adj Close
Date
2005-09-27 21.05 21.40 19.10 19.30 961200 19.16418
2005-09-28 19.30 20.53 19.20 20.50 5747900 20.35573
2005-09-29 20.40 20.58 20.10 20.21 1078200 20.06777 …我到处都检查过，人们引用了我无法理解的例子（是的，我有点慢）。谁能解释一下如何在 R 中构建对数趋势线？
这是工作示例：
myds <- c(23.0415,13.1965,10.4110,12.2560,9.5910,10.7160,9.9665,8.5845,8.9855,8.8920,10.3425,9.3820,9.0860,9.6870,8.5635,9.0755,8.5960,7.9485,8.3235,8.1910)
plot(myds)
我找不到应用回归趋势线的简单方法。我对对数和线性趋势线特别感兴趣。是否可以在不连接任何新包的情况下完成？
各位好心人，请解释清楚！
将线性趋势拟合到一组数据是直接的。但是如何将多条趋势线拟合到一个时间序列中？我将上涨和下跌趋势定义为高于或低于指数移动平均线的价格。当价格高于 EMA 时，我需要适应一个积极的趋势，当趋势转为消极时，一个新的消极趋势线等等。在我的market_data['Signal']熊猫数据框中下面的代码中，我告诉我趋势是上升 +1 还是下降 -1。
我猜我需要某种循环，但我无法弄清楚逻辑......
import pandas as pd
import pandas_datareader.data as web
import datetime as dt
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
import matplotlib.dates as mdates
#Colecting data
market = '^DJI'
end = dt.datetime(2016, 12, 31)
start = dt.date(end.year-10, end.month, end.day)
market_data = web.DataReader(market, 'yahoo', start, end)
#Calculating EMA and difference
market_data['ema'] = market_data['Close'].ewm(200).mean()
market_data['diff_pc'] = (market_data['Close'] / market_data['ema']) - 1
#Defining bull/bear signal
TH = 0
market_data['Signal'] = …