DN
v1 = v0[1:10]
v2 = v0[11:20]
v2 = v0[11:20]
так я пробовал в самом начале, не работает
Size: a a a
2020 January 18
А[
так я пробовал в самом начале, не работает
Вы хотите по отдельности выдернуть месяц и дату, например, или нарезать вектор на куски поменьше?
DN
Хочу выдернуть каждый отдельно, посмотреть влияет ли это на предсказание модели, так как даныне по электро потреблению, то должно вроде как
А[
Хочу выдернуть каждый отдельно, посмотреть влияет ли это на предсказание модели, так как даныне по электро потреблению, то должно вроде как
Выдернуть что?
DN
в отдин столбец - год, в другой - месяц, в третий - день, в четвертый час и т.д.
А[
А, тогда смотрите ответ Филиппа
О
есть такая классная штука как lubridate
О
PD
Ну или
lubridate::year(x)
И так далее
lubridate::year(x)
И так далее
DN
друзья подскажите, я не опытен в анализе данных. У меня выборка тренировочная из 200 000 примеров, 84 признака, все числовые, есть признаки в которых из 200 000 нет значений для 199000 примеров, 180 000, что лучше с ними сделать? попытаться предсказать их пропущенные значения на основании остальных данных или просто удалить?
DN
где то из 200 000 етсь только 300 примеров
PU
выбросить данные?
вам не на чем учиться
вам не на чем учиться
DN
выбросить данные?
вам не на чем учиться
вам не на чем учиться
Данные еще есть. Просто 400 из 200 000 это понятно что слишком мало, но не понятно где это черта, если есть данные для 30% примеров их лучше попытаться предсказать или выкинуть, а 50% ? Вот этот вопрос меня волнует
V
Зависит от значений, возможно еще как-то можно трансформировать переменную
V
Предсказывать самое последнее что стоит делать
DN
Violet
Зависит от значений, возможно еще как-то можно трансформировать переменную
В смысле трансформировать?
V
Возможно, вам что-то даст категория "данные отсутствуют"
V
Заполнять пропуски очень сомнительное занятие, так как бывает плохое качество оставшихся данных и вы будете множить ошибки
DN
Violet
Возможно, вам что-то даст категория "данные отсутствуют"
Ok i google it