Версия для печати темы
Форум врачей-аспирантов _ Медицинская статистика _ Как временной ряд считать по дням.
Автор: kont 1.11.2017 - 16:41
Подскажите, мне нужно построить предсказание по дням
test=ts(datas$SALES,start=c(01-11-2015))
test
Предсказание я делаю на базе продаж за месяц на день вперед , т.е. зная данные за месяц предсказать объем продаж на 30.11.2015
На всякий случай прикреплю данные
переформулирую свой вопрос
Usage
ts(data = NA, start = 1, end = numeric(), frequency = 1,
deltat = 1, ts.eps = getOption("ts.eps"), class = , names = )
если я прогнозирую на один день, что мне указать во фреквенси?
Автор: p2004r 1.11.2017 - 20:33
Цитата(kont @ 1.11.2017 - 16:41)
Подскажите, мне нужно построить предсказание по дням
test=ts(datas$SALES,start=c(01.11.2015))
test
выходит ошибка
Error: unexpected numeric constant in "test=ts(mydat$SALES,start=c(01.11.2015"
как мне указать именно частоту по дням
Предсказание я делаю на базе продаж за месяц на день вперед , т.е. зная данные за месяц предсказать объем продаж на 30.11.2015
если эта модель покажет хорошие ре-ты, её будут имплементировать на сегодняшние данные
На всякий случай прикреплю данные
А чего предсказание то?
Код
> str(df.sales)
'data.frame': 873912 obs. of 4 variables:
$ DAY : POSIXct, format: "2015-11-01" "2015-11-01" ...
$ STORE: int 1534 25039 1612 1053 1612 961 1602 21761 19009 22691 ...
$ ART : int 343533 20490 295206 16406274 49495 15309949 242763 188087 16350692 86093 ...
$ SALES: num 62.5 686.4 185 32.5 143.1 ...
> table(df.sales$DAY)
2015-11-01 2015-11-02 2015-11-03 2015-11-04 2015-11-05 2015-11-06 2015-11-07
27819 28653 29529 28320 28321 29031 28747
2015-11-08 2015-11-09 2015-11-10 2015-11-11 2015-11-12 2015-11-13 2015-11-14
27294 28628 29558 29501 29594 30613 29489
2015-11-15 2015-11-16 2015-11-17 2015-11-18 2015-11-19 2015-11-20 2015-11-21
28717 28829 29379 29402 28850 30584 29037
2015-11-22 2015-11-23 2015-11-24 2015-11-25 2015-11-26 2015-11-27 2015-11-28
28458 29420 29199 29468 29974 30481 29752
2015-11-29 2015-11-30
28381 28884
> levels(factor(df.sales$STORE))
[1] "956" "958" "961" "974" "980" "999" "1053" "1082" "1094"
[10] "1122" "1530" "1534" "1544" "1574" "1579" "1594" "1596" "1602"
[19] "1609" "1612" "17096" "17474" "19009" "20581" "21761" "22691" "24605"
[28] "25039" "27220" "29245"
> length(levels(factor(df.sales$ART)))
[1] 7683
Там 1 месяц торговли с привязкой к календарю в 30 магазинах, по 7683 позициям товаров. Что предсказывать то? Сумму покупок в конкретный день? Ассортимент проданный? Разносить по магазинам?
PS откуда вообще эта античная база? из какого курса ML на этот раз?
Автор: kont 1.11.2017 - 20:38
p2004r, я немного изменил свой вопрос
предсказываем переменную SALES это сумма покупок
вопрос в том, что если мне нужно предсказать на один день вперед , какое значение нужно указать во frequency
далее
library("forecast")
testforecast2=forecast.HoltWinters(testforecast,h=?)
h это параметр который указывает насколько вперед предсказываем
мне так и ставить единицу? т.е. 30-11.2015
Автор: p2004r 1.11.2017 - 20:41
Цитата(kont @ 1.11.2017 - 20:38)
p2004r, я немного изменил свой вопрос
предсказываем переменную SALES это сумма покупок
вопрос в том, что если мне нужно предсказать на один день вперед , какое значение нужно указать во frequency
далее
library("forecast")
testforecast2=forecast.HoltWinters(testforecast,h=?)
h это параметр который указывает насколько вперед предсказываем
мне так и ставить единицу? т.е. 30-11.2015
Вы прочитайте еще раз внимательно что представляет из себя эта база, а потом "рвитесь в бой"
Автор: kont 1.11.2017 - 20:49
'data.frame': 873912 obs. of 4 variables:
$ DAY : Factor w/ 30 levels "01.11.2015","02.11.2015",..: 1 1 1 1 1 1 1 1 1 1 ...
$ STORE: int 1534 25039 1612 1053 1612 961 1602 21761 19009 22691 ...
$ ART : int 343533 20490 295206 16406274 49495 15309949 242763 188087 16350692 86093 ...
$ SALES: num 62.5 686.4 185 32.5 143.1 ...
day-день продажи
STORE код магизина
ART код товара
SALES: цена
даны данные по дням за месяц
нужно предсказать значения за 30.11.2015
вот я и думаю что мне указать во фриквенси
и что указать в параметре h
Автор: p2004r 1.11.2017 - 21:14
Цитата(kont @ 1.11.2017 - 20:49)
'data.frame': 873912 obs. of 4 variables:
$ DAY : Factor w/ 30 levels "01.11.2015","02.11.2015",..: 1 1 1 1 1 1 1 1 1 1 ...
$ STORE: int 1534 25039 1612 1053 1612 961 1602 21761 19009 22691 ...
$ ART : int 343533 20490 295206 16406274 49495 15309949 242763 188087 16350692 86093 ...
$ SALES: num 62.5 686.4 185 32.5 143.1 ...
day-день продажи
STORE код магизина
ART код товара
SALES: цена
даны данные по дням за месяц
нужно предсказать значения за 30.11.2015
вот я и думаю что мне указать во фриквенси
и что указать в параметре h
мда... это "3х мерный тензор платежей в длинном формате", так понятно?
пока не зарешепите данные в размерность этого тензора никаких "временных рядов" в датасете не существует.
кстати опять маячит на горизонте многомерное svd
)
PS ну и это же _календарь_, имейте к нему уважения раз в датасаенс потянуло (да еще во временные ряды), уважьте эту размерность предобработкой в формат даты...
Автор: p2004r 1.11.2017 - 22:02
Цитата(kont @ 1.11.2017 - 21:23)
я стараюсь)
на стаковерфлоу загуглил starting a daily time series in R
test=ts(mydat$SALES,frequency=365, start=c(2015, 11))
#Хольт-Винтерс
testforecast=HoltWinters(test,beta=F,gamma=F)
testforecast$fitted
я получаю фигню какую-то
2015.090 63.66014 63.66014
2015.093 63.69003 63.69003
2015.096 63.67381 63.67381
2015.099 63.69335 63.69335
2015.101 63.74642 63.74642
2015.104 63.75224 63.75224
2015.107 63.75847 63.75847
2015.110 63.75986 63.75986
2015.112 63.76634 63.76634
2015.115 63.81441 63.81441
2015.118 63.79887 63.79887
2015.121 63.78152 63.78152
2015.123 63.81786 63.81786
2015.126 63.88588 63.88588
2015.129 63.87830 63.87830
2015.132 63.86346 63.86346
2015.134 63.86787 63.86787
2015.137 63.86864 63.86864
2015.140 63.85490 63.85490
покажите, пожалуйста, как правильно нужно
мне самому сложно
Я склоняюсь к помощи хирургическим путем
Решейпить данные из динного формата в широкий формат довольно просто. Эту трансформацию в разные стороны обеспечивают melt() и *cast() из library(reshape2)
В данном случае у нас трех мерный тензор поэтому acast()
Код
> library(reshape2)
> str(acast(df.sales, DAY ~ STORE ~ ART , value.var="SALES", fill=0))
num [1:30, 1:30, 1:7683] 108 0 0 108 0 216 0 0 0 0 ...
- attr(*, "dimnames")=List of 3
..$ :8322456 [1:30] "2015-11-01" "2015-11-02" "2015-11-03" "2015-11-04" ...
..$ :8322456 [1:30] "956" "958" "961" "974" ...
..$ :8322456 [1:7683] "540" "546" "570" "738" ...
> df.sales.t <- acast(df.sales, DAY ~ ART ~ STORE , value.var="SALES")
> saveGIF(for(i in 1:30) image(df.sales.t[i,,], xlab=i), movie.name = "animation.gif", interval=0.1)
Ну и покажем анимированный срез Магазин-Асортимет по дням
Автор: kont 1.11.2017 - 22:23
p2004r. я воспроизвел, а предикативную модель -ку то как строить?
именно вот эту часть
testforecast=HoltWinters(test,beta=F,gamma=F)
по идеи после этого стринга
testforecast$fitted
я должен видеть нормальное предсказание)) а не то что я увидел)
Автор: p2004r 1.11.2017 - 22:32
Цитата(kont @ 1.11.2017 - 22:23)
p2004r. я воспроизвел, а предикативную модель -ку то как строить?
именно вот эту часть
testforecast=HoltWinters(test,beta=F,gamma=F)
по идеи после этого стринга
testforecast$fitted
я должен видеть нормальное предсказание)) а не то что я увидел)
Что такое у вас test?
Автор: kont 1.11.2017 - 22:36
хотя Хольт-Винтерс для ежедневных данных, что-то я погорячился
fit <- auto.arima(datas$SALES)
но тоже не спасло фигня какая-то выходит))
Автор: kont 1.11.2017 - 22:37
переменная
mydatas=read.csv2(sales.csv)
test=ts(mydatas$SALES,frequency=365, start=c(2015, 11))
Автор: p2004r 1.11.2017 - 22:48
Цитата(kont @ 1.11.2017 - 22:37)
переменная
mydatas=read.csv2(sales.csv)
test=ts(mydatas$SALES,frequency=365, start=c(2015, 11))
Вы действительно не видите разницы из чего делать _временной_ ряд? Даже из названия товара и магазинов вперемешку? То есть "макароны купленные на малой бронной" это один тик, а "курица на маховой" второй тик _временного_ ряда? Ничего не смущает?
PS
Вы сюда точно "на охоту ходите"ТМ?
Автор: kont 1.11.2017 - 22:52
p2004r прогнозируются общие суммы продаж купили макароны, и куры в итоге общая выручка 200 рублей. все её и нужно спрогнозировать, но я не могу понять как прогнозировать по ежедневным данным
сможете помочь?
PS
Вы сюда точно "на охоту ходите"ТМ?
что значит эта фраза?
Автор: p2004r 1.11.2017 - 23:14
Цитата(kont @ 1.11.2017 - 22:52)
p2004r прогнозируются общие суммы продаж купили макароны, и куры в итоге общая выручка 200 рублей. все её и нужно спрогнозировать, но я не могу понять как прогнозировать по ежедневным данным
сможете помочь?
PS
Вы сюда точно "на охоту ходите"ТМ?
что значит эта фраза?
нет, больше чем уже помог, помочь не в силах. "теперь вся сила в гемоглобине"(С)
до свидания.
Автор: 100$ 1.11.2017 - 23:24
/ меланхолично/
Вообще-то для обсуждения эконометрических заморочек существуют форумы по эконометрике.
А на врачебном форуме чьи-то страдания по поводу чьих-то продаж - однозначно магарычовая тема. Жаль только, 2004-й цены сбивает...
Автор: kont 2.11.2017 - 15:50
Зато я понял, что значит утро вечера мудренее, я услышал, то о чем говорил p2004r. Действительно под вечер глядя ничего не соображал, а Вы правы, я лепил все в одну кучу, мне же нужно сделать форекаст для каждого магазина и каждого артикулла. Я пошел не тензорным путем, он для меня сложен пока, я пошел по старинке
datas=read.csv(sales.csv", sep=";",dec=",")
View(datas)
str(datas)
count_ts = ts(datas[, c('SALES')])
View(count_ts)
datas$clean_cnt = tsclean(count_ts)
datas$cnt_ma = ma(datas$clean_cnt, order=7) # using the clean count with no outliers
datas$cnt_ma30 = ma(datas$clean_cnt, order=30)
count_ma = ts(na.omit(datas$cnt_ma), frequency=30)
decomp = stl(count_ma, s.window="periodic")
deseasonal_cnt <- seasadj(decomp)
plot(decomp)
adf.test(count_ma, alternative = "stationary") # ряд стационарный , тест Дюке-Фудллера (p<0.01)
#count_d1 = diff(deseasonal_cnt, differences = 1)
#adf.test(count_d1, alternative = "stationary") # p<0,05 is STACIONARY SERIES
auto.arima(deseasonal_cnt, seasonal=FALSE)
fit<-auto.arima(deseasonal_cnt, seasonal=FALSE)
tsdisplay(residuals(fit), lag.max=45, main='(1,1,0) Model Residuals')
fit2 = arima(deseasonal_cnt, order=c(1,1,7))
fcast <- forecast(fit2, h=30)
p2004r,теперь когда на меня нашло озорение, сможете подсказать как мне сплит по группам сделать (shop+art)
Автор: p2004r 2.11.2017 - 19:27
Цитата(kont @ 2.11.2017 - 15:50)
Зато я понял, что значит утро вечера мудренее, я услышал, то о чем говорил p2004r. Действительно под вечер глядя ничего не соображал, а Вы правы, я лепил все в одну кучу, мне же нужно сделать форекаст для каждого магазина и каждого артикулла. Я пошел не тензорным путем, он для меня сложен пока, я пошел по старинке
datas=read.csv(sales.csv", sep=";",dec=",")
View(datas)
str(datas)
count_ts = ts(datas[, c('SALES')])
View(count_ts)
datas$clean_cnt = tsclean(count_ts)
datas$cnt_ma = ma(datas$clean_cnt, order=7) # using the clean count with no outliers
datas$cnt_ma30 = ma(datas$clean_cnt, order=30)
count_ma = ts(na.omit(datas$cnt_ma), frequency=30)
decomp = stl(count_ma, s.window="periodic")
deseasonal_cnt <- seasadj(decomp)
plot(decomp)
adf.test(count_ma, alternative = "stationary") # ряд стационарный , тест Дюке-Фудллера (p<0.01)
#count_d1 = diff(deseasonal_cnt, differences = 1)
#adf.test(count_d1, alternative = "stationary") # p<0,05 is STACIONARY SERIES
auto.arima(deseasonal_cnt, seasonal=FALSE)
fit<-auto.arima(deseasonal_cnt, seasonal=FALSE)
tsdisplay(residuals(fit), lag.max=45, main='(1,1,0) Model Residuals')
fit2 = arima(deseasonal_cnt, order=c(1,1,7))
fcast <- forecast(fit2, h=30)
p2004r,теперь когда на меня нашло озорение, сможете подсказать как мне сплит по группам сделать (shop+art)
Он был сделан когда был cast() подготовлен тензор
Код
df.sales.t <- acast(df.sales, DAY ~ ART ~ STORE , value.var="SALES", fill=0)
> str(df.sales.t)
num [1:30, 1:7683, 1:30] 108 0 0 108 0 216 0 0 0 0 ...
- attr(*, "dimnames")=List of 3
..$ :8322456 [1:30] "2015-11-01" "2015-11-02" "2015-11-03" "2015-11-04" ...
..$ :8322456 [1:7683] "540" "546" "570" "738" ...
..$ :8322456 [1:30] "956" "958" "961" "974" ...
Первая размерность -- день серии, вторая -- артикул товара, третья -- магазин.
Соответственно берем для первого магазина, и первого артикула историю за 30 дней.
Код
> str(df.sales.t[,1,1])
Named num [1:30] 108 0 0 108 0 216 0 0 0 0 ...
- attr(*, "names")=8322456 [1:30] "2015-11-01" "2015-11-02" "2015-11-03" "2015-11-04" ...
> df.sales.t[,1,1]
2015-11-01 2015-11-02 2015-11-03 2015-11-04 2015-11-05 2015-11-06 2015-11-07
108.0 0.0 0.0 108.0 0.0 216.0 0.0
2015-11-08 2015-11-09 2015-11-10 2015-11-11 2015-11-12 2015-11-13 2015-11-14
0.0 0.0 0.0 0.0 0.0 0.0 108.0
2015-11-15 2015-11-16 2015-11-17 2015-11-18 2015-11-19 2015-11-20 2015-11-21
0.0 0.0 199.8 0.0 0.0 0.0 0.0
2015-11-22 2015-11-23 2015-11-24 2015-11-25 2015-11-26 2015-11-27 2015-11-28
0.0 92.0 0.0 0.0 0.0 0.0 0.0
2015-11-29 2015-11-30
184.0 0.0
Но это на самом деле не весь нужный тензор, нужно обязательно добавить еще измерение по дням недели, это крайне важный фактор для модели.
Вот таким образом.
Код
> df.sales$WDAY <- lubridate::wday(df.sales$DAY)
> str(df.sales)
'data.frame': 873912 obs. of 5 variables:
$ DAY : POSIXct, format: "2015-11-01" "2015-11-01" ...
$ STORE: int 1534 25039 1612 1053 1612 961 1602 21761 19009 22691 ...
$ ART : int 343533 20490 295206 16406274 49495 15309949 242763 188087 16350692 86093 ...
$ SALES: num 62.5 686.4 185 32.5 143.1 ...
$ WDAY : num 1 1 1 1 1 1 1 1 1 1 ...
> df.sales.t <- acast(df.sales, DAY ~ WDAY ~ ART ~ STORE , value.var="SALES", fill=0)
> str(df.sales.t)
num [1:30, 1:7, 1:7683, 1:30] 108 0 0 0 0 0 0 0 0 0 ...
- attr(*, "dimnames")=List of 4
..$ :8322456 [1:30] "2015-11-01" "2015-11-02" "2015-11-03" "2015-11-04" ...
..$ :8322456 [1:7] "1" "2" "3" "4" ...
..$ :8322456 [1:7683] "540" "546" "570" "738" ...
..$ :8322456 [1:30] "956" "958" "961" "974" ...
Автор: kont 2.11.2017 - 22:20
Я Вас правильно понял, теперь уже можно делать форекаст на сплитованном датасете df.sales.t?
# проверки на стационарность
adf.test(df.sales.t, alternative = "stationary")
#forecast
auto.arima(df.sales.t, seasonal=FALSE)
fit2 = arima(df.sales.t, order=c(1,1,7))
#
fcast <- forecast(fit2, h=1) # 1day ahead
Автор: p2004r 3.11.2017 - 00:01
Цитата(kont @ 2.11.2017 - 22:20)
Я Вас правильно понял, теперь уже можно делать форекаст на сплитованном датасете df.sales.t?
# проверки на стационарность
adf.test(df.sales.t, alternative = "stationary")
#forecast
auto.arima(df.sales.t, seasonal=FALSE)
fit2 = arima(df.sales.t, order=c(1,1,7))
#
fcast <- forecast(fit2, h=1) # 1day ahead
Тут всё забавнее...
Поскольку пока у нас только 1 месяц, то дни недели трудно интерпретировать недели, и мы можем дни месяца слить вместе с днями недели
Код
> res_hosvd <- hosvd(as.tensor(df.sales.t.all), ranks=c(30,899,30))
|======================================================================| 100%
> 1-res_hosvd$fnorm_resid/fnorm(as.tensor(df.sales.t.all))
[1] 0.9953629
> res_hosvd <- hosvd(as.tensor(df.sales.t.all), ranks=c(30,900,30))
|======================================================================| 100%
> 1-res_hosvd$fnorm_resid/fnorm(as.tensor(df.sales.t.all))
[1] 1
Но ассортимент товаров реально состоит из 900 позиций (с точки зрения стоимости и сочетаемости продаж).
Это точно не синтетика какая то?
Автор: kont 3.11.2017 - 01:00
Нет, это обычные продовольственные товары, как вы сказали, макароны, куры.. до хоть джек дениелс и кола))
Я ратую за модель ARIMA ... обосновываю это тем, что аддитивные модели больше для прогнозов по месячным данным. Да и на стаковерфлоу, люди тоже советуют АРИМУ.
вернее stats.stackexchange.com/
https://stats.stackexchange.com/questions/144158/daily-time-series-analysis
Автор: kont 3.11.2017 - 11:59
стал писать цикл для анализа, сможете помочь, разобраться, пожалуйста.
выдал ошибкуmy_forecast <- function(x){
model <- arima(x, order = c(1, 1, 1))
fcast <- forecast(model, 1)
return(fcast)
}
prog=lapply(df.sales.t[1:1], my_forecast)
Error in arima(x, order = c(1, 1, 1)) : too few non-missing observations
Автор: kont 3.11.2017 - 15:34
сможете помочь по этой ошибке?
Автор: kont 6.11.2017 - 16:45
p2004r, можно Вас последний раз потревожить? С остальными ошибками сам разобрался.
А суть вывода данных.
пример, см. скрин
df.sales.t <- acast(mydat, DAY ~ ART ~ STORE , value.var="SALES", fill=0)
View(df.sales.t )
у нас обычный датафрем по строкам даты, по столбцам
ок, хочу записать этот датафрейм в csv
g=as.data.frame(df.sales.t[,1,1:10])
Как результат совершенно не те столбцы
Код
> g
956 958 961 974 980 999 1053 1082 1094 1122
01.ноя.15 108.0 0.0 0.0 0.0 0 0.0 216.0 0.0 0 0
02.ноя.15 0.0 0.0 97.0 0.0 0 0.0 0.0 0.0 0 0
03.ноя.15 0.0 0.0 97.0 99.9 0 0.0 0.0 0.0 106 0
04.ноя.15 108.0 0.0 97.0 0.0 0 0.0 108.0 0.0 0 0
05.ноя.15 0.0 0.0 0.0 99.9 0 0.0 0.0 0.0 0 0
06.ноя.15 216.0 0.0 97.0 0.0 106 0.0 0.0 0.0 0 0
07.ноя.15 0.0 0.0 0.0 0.0 106 0.0 0.0 0.0 212 0
08.ноя.15 0.0 99.9 97.0 0.0 0 0.0 108.0 0.0 212 86
09.ноя.15 0.0 0.0 194.0 0.0 0 0.0 108.0 0.0 0 0
10.ноя.15 0.0 0.0 0.0 0.0 106 99.9 0.0 0.0 0 0
11.ноя.15 0.0 0.0 0.0 0.0 0 0.0 0.0 0.0 0 0
12.ноя.15 0.0 0.0 0.0 99.9 0 0.0 0.0 0.0 212 0
13.ноя.15 0.0 0.0 0.0 0.0 0 0.0 0.0 0.0 0 0
14.ноя.15 108.0 0.0 97.0 0.0 0 99.9 0.0 89.9 106 0
15.ноя.15 0.0 0.0 0.0 0.0 0 0.0 99.9 0.0 98 0
16.ноя.15 0.0 0.0 0.0 0.0 0 0.0 0.0 0.0 294 0
17.ноя.15 199.8 0.0 97.0 0.0 0 0.0 0.0 0.0 98 0
18.ноя.15 0.0 0.0 0.0 89.9 92 0.0 0.0 0.0 196 0
19.ноя.15 0.0 0.0 0.0 0.0 92 0.0 0.0 89.9 98 0
20.ноя.15 0.0 0.0 0.0 0.0 0 0.0 99.9 0.0 98 0
21.ноя.15 0.0 99.9 0.0 0.0 0 0.0 99.9 0.0 98 0
22.ноя.15 0.0 0.0 0.0 89.9 0 0.0 0.0 0.0 0 0
23.ноя.15 92.0 0.0 0.0 89.9 0 89.9 0.0 88.0 0 0
24.ноя.15 0.0 0.0 0.0 0.0 0 0.0 0.0 0.0 0 86
25.ноя.15 0.0 0.0 0.0 89.9 0 0.0 92.0 0.0 0 172
26.ноя.15 0.0 0.0 0.0 0.0 0 0.0 0.0 0.0 92 86
27.ноя.15 0.0 0.0 0.0 0.0 0 0.0 0.0 0.0 92 0
28.ноя.15 0.0 89.9 0.0 0.0 0 0.0 92.0 0.0 0 0
29.ноя.15 184.0 0.0 89.9 89.9 86 0.0 0.0 0.0 0 0
как мне в датафрейм перевести весь df.sales.t
чтобы отображались все 7000 столбцов
всё больше мне ничего не надо:)
, пожалуйста.
Автор: comisora 6.11.2017 - 18:47
2kont
Код
as.data.frame(df.sales.t[[b],[/b]1,1:10])
Я, конечно, не знаю, как организованы данные и всё такое, но до запятой - это строчки, после - это столбцы. Чтобы записывались все столбцы, после запятой ничего быть не должно, например df[1:100,] - первые сто строчек, все столбцы. В Вашем примере запятая представляется лишней. Если всё заковырестей, нужно смотреть детальней.
Автор: kont 6.11.2017 - 20:25
> g=as.data.frame(df.sales.t[1:10])
> g
df.sales.t[1:10]
1 108
2 0
3 0
4 108
5 0
6 216
7 0
8 0
9 0
10 0
>
я получил 10 пер
или без запятой t[,1
> g=as.data.frame(df.sales.t[1,1:10])
Error in df.sales.t[1, 1:10] : incorrect number of dimensions
>
Автор: comisora 7.11.2017 - 18:06
2kont
Структура данных после acast какая?
Форум Invision Power Board (http://www.invisionboard.com)
© Invision Power Services (http://www.invisionpower.com)