Glidande medelvärde pl sql

Jag har läst den diskussion du nämnde. Den är tillämplig på PostgreSQL eftersom det är tillåtet att skapa användardefinierad aggregatfunktion med SQL i PostgreSQL, men inte tillåtet i SQL Server. Användning av rekursiv CTE är ett genomförbart sätt i SQL Server, men jag märker att CTE sätt kan leda till mer bordsskanning än fönstervfunktioner Så jag gör det här inlägget om det är möjligt att beräkna exponentiell glidande medelvärde med hjälp av SQL Server 2012-fönsterfunktionen precis som att beräkna enkelt glidande medelvärde xiagao1982 14 april på 2 53. Först beräknar du EMA SMA x istället för EMA x För det andra är din utjämningskonstant faktiskt betavärdet i min formel, inte alfabetet. Med dessa två ändringar ser SQLFiddle ut så här. Det finns dock fortfarande en liten skillnad mellan det faktiska resultatet och det förväntade resultatet Jag skulle gå tillbaka och se om deras EMA-definition matchar den jag känner Sebastian Meine 7 maj 13 på 13 46. Jag tittade bara på formuläret i kalkylbladet du bifogade och det är långt ifrån standarden EMA-definition Min formel beräknar exponentiellt rörligt medelvärde för de senaste tio raderna Kalkylbladet beräknar först standardvärdet under de senaste tio raderna och sedan det obegränsade exponentiellt vägda glidande medeltalet över alla medelvärden. Detta följer formuläret här Sebastian Meine 7 maj kl 13 . Med ett enkelt glidande medelvärde för att jämna ut data är en ganska populär teknik det är synd, det primära exemplet i SQL Anywhere Help är långt ifrån enklare. Vad gör det exemplet så komplicerat Förutom problemformuleringen beräknar man det glidande medlet av alla produktförsäljning, per månad, år 2000. Här är det som gör det komplext. två referenser till AVG-funktionen. en GRUPP AV vilken allt i sig gör bara om någon SELECT-huvudskrapa. en snygg WINDOW clause. a WINDOW-klausul som inte ens använder WINDOW-sökordet så att de oinitierade personerna som behöver exempel mer än någon annan är det inte uppenbart att en WINDOW är involverad alls. Inte bara någon Windows-klausul, tänker dig, men en som innehåller varje enskild komponent som du kan koda i en WINDOW. a PARTITION BY. a RANGE-klausul, inte en enkel ROWS-klausul, men fullblåst RANGE-klausul, en som har ett intimt förhållande med ORDER BY Jag vet vad en rad är, men vad redigeras är en RANGE. Men vänta, det är mer Valet av RANGE över ROWS i det här exemplet är avgörande för korrekt sökning av frågan för en mer fullständig diskussion av det här exemplet, se exempel 23 - Beräkning av ett rörligt medelvärde i Glenn Paulleys utmärkta OLAP-vitt papper. Låt oss nu komma tillbaka på spår. A Verkligen riktigt enkelt rörande medelvärde. Följande exempel visar 10 dagars värde av data tillsammans med det glidande medlet av dagens värde och igår s WINDOW-klausulen på linjer 21 till 23 definierar ett rörligt fönstret som innehåller två rader idag s raden CURRENT ROW och igår s row 1 PRECEDING. theWINDOW ORDER BY-klausulen bestämmer vad PRECEDING betyder föregående rad av and. the ROWS-klausulen bestämmer storleken på fönstret alltid två rader. Uttrycket AVG OVER twodays på rad 19 hänvisar till WINDOW-klausulen med namnet, och det berättar att SQL Anywhere ska beräkna genomsnittet av de två värdena som finns i 2-rader skjutfönstret, för varje rad i resultatuppsättningen. Så för 2012 -02-02 medeltalet 10 och 20 är 15 000000.för 2012-02-03 är genomsnittet 20 och 10 15 000000.för 2012-02-04 är genomsnittet 10 och 30 20 000000.för 2012-02 -10 genomsnittet 10 och 60 är 35 000000.Oops, vad sägs om den första roden. 2012-02-01 raden har inte en föregående rad, så vad är genomsnittet över det rörliga fönstret. Enligt Glenn Paulley s vita Papper vid ett rörligt fönster antas att rader med Null-värden existerar före första raden och efter sista raden i inpu t. That betyder när det rörliga fönstret har 2012-02-01 som CURRENT ROW innehåller raden 1 PRECEDING NULL-värden och när SQL Anywhere beräknar en AVG som innehåller ett NULL-värde, räknar det inte med att NULL alls inte är i täljare eller i nämnaren vid beräkning av genomsnittet Här är beviset Det är därför twodayaverage 10 000000 för första raden 2012-02-01. Upplagt av Breck Carter klockan 3 47 PM. Det var en trevlig fråga om OTN idag om det finns en standard Oracle-funktion för att beräkna exponentiell glidande medelvärdet Svaret är att det inte finns någon sådan funktion men med modellklausulen kan du beräkna det väldigt enkelt Och det är ett bra exempel på vad jag menar med variabelt antal beräkningar baserat på beräknade värden, skrivet i min tredje del av modellen klausul tutorial. Before idag visste jag inte ens vad ett exponentiellt rörligt medelvärde var exakt. Du kan läsa mer om det här på Wikipedia eller här med ett bra exempel Från den första länken. En exponentiell glidande medelvärde EMA, a viktminskningsfaktorer som minskar exponentiellt Vägningen för varje äldre datapunkt minskar exponentiellt, vilket ger mycket större betydelse för de senaste observationerna, medan de fortfarande inte slänger bort äldre observationer helt. Från den andra länken. Formeln för beräkning av en exponentiell rörlig genomsnittlig EMA är. X Nuvarande EMA dvs EMA att beräknas. C Nuvarande ursprungliga datavärde. K Utjämning Constant. P Föregående EMA. Den första EMA i det räckvidd som ska beräknas är godtyckligt och kan vara motsvarande ursprungliga data värde eller ofta ett enkelt rörligt medelvärde. K utjämning konstant 2 1 n. Och denna formel följs av ett exempel som jag förlängde lite, med hjälp av denna tabell. Rekord från produkt En matcha exemplet i länken Jag gjorde upp siffrorna från produkt B Här är modellklausulfrågan som implementerar formeln Observera hur formeln direkt översätter till den enda regeln i modellklausulen The utjämningskonstant K är satt till 5 baserat på ett fönstervärde n som motsvarar 3.Challenge försök detta utan modellklausulen och se om du kan komma med något mer omfattande.11 2 funktioner i bruk. med det som välj ett produktdatum 2009-01-01 månad, 10 belopp från dubbel union alla välj A, datum 2009-02-01, 15 från dubbel union alla välj A, datum 2009-03-01, 17 från dubbel union alla välj A, datum 2009-04 -01, 20 från dubbel union alla välj A, datum 2009-05-01, 22 från dubbel union alla välj A, datum 2009-06-01, 20 från dubbel union alla välj A, datum 2009-07-01, 25 från dubbel union alla välj A, datum 2009-08-01, 27 från dubbel union alla välj A, datum 2009- 09-01, 30 från dubbel union alla välj A, datum 2009-10-01, 35 från dubbel union alla välj A, datum 2009-11-01, 37 från dubbel union alla välj A, datum 2009-12-01, 40 från dubbel union alla välj B, datum 2009-01-01, 0 från dubbel union alla välj B, datum 2009-02-01, 50 från dubbel union alla välj B, datum 2009-03-01, 10 från dubbel union alla välj B, datum 2009-04-01, 40 från dubbel union alla välj B, datum 2009-05-01, 15 från dubbel union alla välj B, datum 2009-06-01, 35 från dubbel union alla välj B, datum 2009- 07-01, 30 från dubbel union alla välj B, datum 2009-08-01, 30 från dubbel union alla välj B, datum 2009-09-01, 20 från dubbel union alla välj B, datum 2009-10-01, 20 Från dubbel union alla välj B, datum 2009-11-01, 20 från dubbel union alla välj B, datum 2009-12-01, 20 från dual, rns som välj dat rownumber över delning efter produkt order efter månad rn - 2 1 räkna över partition med produkt k 0 5 k från dat, res produkt, månad, mängd, rn, x som välj x från rns r där rn 1 union alla väljer xx från rns ns, res es där 1 och välj produkt, månad, mängd, rn, runda x, 3 EMA från resorderna per produkt, month. after beräkning av den slutna blanketten kom jag upp med följande kod att om mer som en obfuscation än vad som är heltäckande Tanken är att skapa körmultiplar med hjälp av en strängkonatatisering och xml-eval-funktionaliteten De slutna formerna av de speciella fallen behöver bara springa summor. Det finns allmänt fall och två speciella fall som är mycket enklare. Med t1 som välj produkt, månad, mängd, mängd ci, rownumber över partition efter produkt order efter månad rn, --2 1 rownumber över partition efter produkt order efter månad ki 0 5 ki från försäljning, t2 som valda produkt, månad, mängd, fall då rn 1 sedan 1 annan ki slutet ci ai, fall då rn 1 då 1 annars 1 - ki slutet bi från t1, t3 som SELECT produ ct, MÅNAD, mängd, ai, xmlquery REPLERA wmconcat bi över PARTITION BY-produkt ORDER PER MÅNAD rader MELLAN obegränsad föregående OCH LÖPANDE RÅD,, RETURNING mi FRÅN t2, t4 som vald produkt, månad, mängd, mi, ai mi xi från t3 VÄLJ produkt, MÅNAD, mängd, rund mi SUM xi över PARTITION BY produkt ORDER PER MÅNAD rader MELLAN obegränsad föregående OCH LÖPANDE RÅD, 3 eMA FRÅN T4.Specialfall K 0 5.med t1 som välj produkt, månad, mängd, rownumber över partition per produkt order efter månad rn, mängd effekt 2, nvl nullif rownumber över partition efter produkt order efter månad - 1, 0, 1 ci från försäljnings välj produkt, månad, mängd, runda summa ci över partition efter produkt order efter månad rader mellan obegränsad föregående och nuvarande radkraft 2, rn, 3 ema från t1.Special case K 2 1 i. with t1 som välj produkt, månad, mängd, rownumber över partition efter produkt order efter månad rn, mängd rownumber över partition per produkt order per månad ci från försäljning välj produkt, månad, belopp, round sum ci over partit jon för produkt order efter månad rader mellan obegränsad föregående och nuvarande rad 2 rn rn 1, 3 ema från t1.I ll posta beviset på den slutna formen om någon är intresserad av det. Detta är ett bra exempel på kul med SQL. A kombination av XMLQuery, den ofokumenterade wmconcat och analytiska funktioner med fönsterklausulen Jag tycker om den Även om den inte är lika omfattande som modellklausulvarianen och Rafu s rekursiv med en, som du sa själv. Och jag skulle vilja se beviset på den slutna formen. Jag tackade en annan fråga hur man optimerar utjämningskonstanten. SELECT k - utjämning konstant mse - genomsnittlig kvadratfel FRÅN VÄLJ FRÅN försäljningsmodell DIMENSION PER PRODUKT RÖDDOM ÖVER DELITION AV PRODUKT ORDER PER MÅNAD ASC RN ÅTGÄRDER mängd - försäljningsbelopp månad - månad 0 AS C 0 AS P 0 AS X 0 AS SE - kvadrerat fel - - arbetsrad och attribut - en arbetsrad är produkt X, rn 1 - b arbetsattribut är som följer 0 AS SSE - summa SE för alla produkter månader 0 AS MSE - medel SSE för alla pr oducts months 0 AS k - för alla produkter månader 0 AS PreMSE - tidigare ks MSE för alla produkter månader 0 AS diff - mellan nuvarande MSE och tidigare 0 1 AS delta - initial inkrement 0 AS prioritet - startpunkt - - REGLER ITERERA 99 UNTIL ABS diff A, 1 0 00010 C någon, mängden cv, cv KA, 1 prioriterad A, 1 delta A, 1 X någon, rn BESTÄLLNING AV produkt, ASC COALESCE KA, 1 C cv, cv 1 - KA, 1 X cv, cv -1, C cv, cv P-produkt, rn X cv, cv -1 SE-produkt, rn POWER C cv, cv - X cv, cv-1, 2 SSE A, 1 SUM SE , vilken som helst MSE A, 1 SUM SE, vilken som helst 24 diff A, 1 CASE iterationsnummer när 0 då NULL ELSE preMSE A, 1 - MSE A, 1 END preMSE A, 1 MSE A, 1 delta A, 1 CASE WHEN diff A, 1 0 THEN - abs delta A, 1 2 ELSE abs delta A, 1 END prioriterat A, 1 KA, 1 där produkt A och rn 1 K MSE ---------- -------- - 599999237 174 016094.