Генератор formula

Используйте, когда колонка не разыгрывается, а вычисляется — из других колонок той же строки. Вес, который следует за ростом. ИМТ из обоих. Цена, умноженная на количество. Остаток, который нужно напечатать, а не проверить.

<gen type="formula" expr="0.75 * Height - 58 + 6 * Z" decimals="1"/>

expr= — это тот же язык, что и if=: те же операторы, те же функции, те же имена для тех же колонок. Разница одна — куда девается ответ: if= съедает его как «да/нет», а формула оставляет значением своей колонки.

Атрибут	Что задаёт
expr	Обязательный. Арифметика, которой эта колонка является
decimals	Знаков после точки, 0..10. Без него значение печатается целиком

Колонка, которая следует за другой

Настоящие данные — не набор независимых колонок: вес идёт за ростом, доход за образованием, площадь за ценой. Формула — способ это сказать:

<sequence name="Height"><gen type="number" distribution="normal" mean="170" sd="10" decimals="1"/></sequence>
<sequence name="Z">     <gen type="number" distribution="normal" mean="0" sd="1" decimals="4"/></sequence>

<sequence name="Weight"><gen type="formula" expr="0.75 * Height - 58 + 6 * Z" decimals="1"/></sequence>
<sequence name="BMI">   <gen type="formula" expr="Weight / pow(Height / 100, 2)" decimals="1"/></sequence>
<sequence name="Label"> <gen type="formula" expr="BMI > 25 ? over : normal"/></sequence>

./run clinic.tdc

152.3,62.1,26.8,over
187.3,73.4,20.9,normal
172.9,69.6,23.3,normal
164.9,59.8,22.0,normal
159.3,60.9,24.0,normal
157.4,63.9,25.8,over

Height разыгран, Z — шум, из-за которого связь не превращается в прямую линию, остальные три вычислены. Z печатать не обязательно: не упоминайте колонку в <block>, и она останется в расчёте, не попав в файл. В конфиге для data science таких обычно несколько.

Последняя строка стоит отдельного внимания: тернарник заставляет формулу выдавать метку, а не только число — так у обучающего набора появляется целевая колонка.

Деление и остаток, который можно напечатать

Деление здесь настоящее и было таким всегда — это единственный оператор, который не может остаться целым, потому что целые числа делением не замыкаются:

<sequence name="N">   <gen type="number" value="1..20"/></sequence>
<sequence name="Half"><gen type="formula" expr="N / 2"/></sequence>
<sequence name="Rem"> <gen type="formula" expr="N % 3"/></sequence>
<sequence name="Row"> <gen type="formula" expr="_count"/></sequence>

./run numbers.tdc

n=15 half=7.5 rem=0 row=1
n=9  half=4.5 rem=0 row=2
n=9  half=4.5 rem=0 row=3
n=5  half=2.5 rem=2 row=4

_count и любая другая встроенная величина читаются, так что тренд руками — это expr="100 + 0.05 * _count".

Сравнение печатает true / false, а не 1 / 0

expr="BMI > 25" даёт слово true — так же, как _last, _first и любая колонка anomaly_flag: одно написание для флага во всём движке.

Обучающему набору обычно нужна другая форма, и тернарник рядом:

<gen type="formula" expr="BMI > 25 ? 1 : 0"/>

Целые остаются целыми

Операнд, который ЯВЛЯЕТСЯ целым числом, так и несётся целым и становится дробным, только когда об этом попросят. Поэтому формула точна везде, где точны её входы — 1000000 * 1000000 даёт верный ответ, а не округлённый, — и становится приблизительной только тогда, когда конфиг попросил чего-то неточного. Правила те же, что и во всём языке выражений, и выписаны в Выражениях.

Две дроби редко равны

0.1 + 0.2 == 0.3 — ложь, здесь и в любом другом языке, потому что у 0.1 нет точной двоичной формы. Это честная арифметика IEEE, а не причуда движка, — но означает, что ветка, написанная как if="A + B == 0.3", может не сработать никогда. Сравнивайте через < и > либо сначала округляйте обе стороны.

Пустой источник даёт пустой ответ

Ячейка, которую опустошил parent= или missing=, — это не ноль, и формула, читающая её, выдаёт пустоту, а не выдуманное число:

<sequence name="H" parent="G.M"><gen type="number" value="170..190"/></sequence>
<sequence name="W"><gen type="formula" expr="H * 2"/></sequence>

./run people.tdc

F,,
F,,
M,170,340
M,172,344

Строки, где у H значения нет, оставляют пустым и W. Это то же правило, которому следуют накопление и статистика, пропуская опустошённую ячейку, — только с другой стороны. Оно же делает формулу безопасной поверх колонки с missing=: пропуски остаются пропусками, а не превращаются в арифметику.

Обёртки, которых формула не берёт

mask=, case=, missing=, missing_as=, repeat=, anomaly= и anomaly_factor= получают отказ TDC015, а не принимаются и игнорируются. Формула разрешается до того, как заработает слой форматирования, — то же место, что у running и stat.

Ответ существует шагом позже и он лучше, потому что работает там, где значение ПЕЧАТАЕТСЯ:

<data>${{Weight|mask:x}}</data>

Какой слой: formula или <compute>

Оба вычисляют значение, и разделение тут не дело вкуса:

formula	математика — дроби, деление, функции, любая производная величина
<compute>	контрольные цифры и работа с текстом — мод-11, Луна, дополнение, вырезание

<compute> намеренно работает только с целыми, потому что контрольной цифре нужно именно это. Написать формулу в его дереве тегов можно, и это мучительно: (x - lo) / (hi - lo) там — полэкрана вложенности, а здесь тринадцать символов.

Что отказывает check

Всё, что нужно формуле, известно из конфига, поэтому ничего не ждёт прогона:

• нет expr= — TDC294. Формула И ЕСТЬ своё выражение.
• expr=, который не разбирается — TDC294, с указанием на место.
• имя, не являющееся колонкой, объявленной выше — TDC240, тот же код, что у running и stat на то же правило, с подсказкой did you mean, если имя похоже на настоящее. Это самое важное: опечатка в if= — просто слово, и ветка тихо перестаёт срабатывать, а опечатка в формуле доходит до арифметики.

Ещё два отказа выдаёт прогон, потому что они зависят от значений, а не от конфига: арифметика над текстовой колонкой (откуда иначе взялся бы NaN, а файл, полный NaN, о котором никого не предупредили, хуже остановленного прогона) и деление на ноль.

Подробности

• Читает свою строку. Строка i вычисляется из строки i и ничего больше, поэтому формула не тратит случайность — добавление её оставляет все остальные колонки на месте.

• Порядок объявления. Формула строится из колонок, которые уже есть, поэтому каждое имя в expr= должно принадлежать последовательности, объявленной выше.

• Она потоковая. Чтение только своей строки — ровно то, на чём построен потоковый движок, поэтому формула работает там как любая разыгранная колонка, и память не растёт вместе с числом строк. Измерено на одном конфиге: 1 млн строк — 2.1 с, 5 млн — 3.9 с, 20 млн — 9.5 с и файл на 291 МБ, при этом пик памяти вырос в 1.3 раза, пока число строк выросло в 20. Движок в памяти на тех же 5 млн занял 12.5 с и больше памяти, а до 20 млн не дотягивает вовсе.

  Этим формула и отличается от накопления и статистики: тем двум нужны чужие строки — все предыдущие и вообще все, — поэтому они остаются в памяти по своему смыслу, а не по недоделке.

Смотрите также

• Выражения — операторы, функции и правила целых чисел.
• Накопление — когда ответу нужны строки до этой.
• Статистика — когда нужен весь прогон.
• Number — разыгранные колонки, которые формула читает.