Похоже, у вас есть проблемы слияния из другого файла манифеста в вашем проекте. Многие имена элементов могут появляться в манифесте несколько раз, например, несколько <uses-permission>
элементов. Многие из них имеют идентификатор, обычно android:name
, который отличает один от другого. В общем, если два источника манифеста предоставляют один и тот же элемент (т. Е. Одно и то же имя элемента, одно и то же значение android: name), эти два элемента сами объединяются, что означает:
Иногда правила слияния по умолчанию не работают к вашему удовлетворению. В частности, при возникновении конфликтов сборка завершится неудачей, и, вероятно, это нежелательный результат. Чтобы объявить, кто победит в случае конфликтов, вы можете использовать tools:* attributes
в элементах манифеста. В частности:
tools:remove
указывает, что определенные атрибуты из издания с более низким приоритетом манифест должен быть полностью удален Каждый из них, находящийся в пространстве имен инструментов, потребует, чтобы у вас было xmlns:tools="http://schemas.android.com/tools"
в корневом элементе, если его там еще нет. Эти атрибуты влияют только на инструменты сборки и не влияют на время выполнения, кроме как с точки зрения того, как инструменты сборки создают ваше приложение на основе атрибутов инструментов.
Правильно отформатированные ваши данные выглядят так
862 2006-05-19 6.241603 5.774208
863 2006-05-20 NA NA
864 2006-05-21 NA NA
865 2006-05-22 6.383929 5.906426
866 2006-05-23 6.782068 6.268758
867 2006-05-24 6.534616 6.013767
868 2006-05-25 6.370312 5.856366
869 2006-05-26 6.225175 5.781617
870 2006-05-27 NA NA
и имеют характер временных рядов. Поэтому я бы загрузил в объект класса zoo
(из пакета zoo ), поскольку это позволяет вам выбрать несколько стратегий - см. Ниже. Какой из них вы выберете, зависит от характера ваших данных и приложения. В общем, поле «вычисления недостающих данных» называется условным исчислением данных
и существует довольно большая литература.
R> x <- zoo(X[,3:4], order.by=as.Date(X[,2]))
R> x
x y
2006-05-19 6.242 5.774
2006-05-20 NA NA
2006-05-21 NA NA
2006-05-22 6.384 5.906
2006-05-23 6.782 6.269
2006-05-24 6.535 6.014
2006-05-25 6.370 5.856
2006-05-26 6.225 5.782
2006-05-27 NA NA
R> na.locf(x) # last observation carried forward
x y
2006-05-19 6.242 5.774
2006-05-20 6.242 5.774
2006-05-21 6.242 5.774
2006-05-22 6.384 5.906
2006-05-23 6.782 6.269
2006-05-24 6.535 6.014
2006-05-25 6.370 5.856
2006-05-26 6.225 5.782
2006-05-27 6.225 5.782
R> na.approx(x) # approximation based on before/after values
x y
2006-05-19 6.242 5.774
2006-05-20 6.289 5.818
2006-05-21 6.336 5.862
2006-05-22 6.384 5.906
2006-05-23 6.782 6.269
2006-05-24 6.535 6.014
2006-05-25 6.370 5.856
2006-05-26 6.225 5.782
R> na.spline(x) # spline fit ...
x y
2006-05-19 6.242 5.774
2006-05-20 5.585 5.159
2006-05-21 5.797 5.358
2006-05-22 6.384 5.906
2006-05-23 6.782 6.269
2006-05-24 6.535 6.014
2006-05-25 6.370 5.856
2006-05-26 6.225 5.782
2006-05-27 5.973 5.716
R>
Это, кажется, временной ряд, таким образом, замена отсутствующего значения временного ряда (обвинение) методы, вероятно, имеет смысл здесь.
Эти методы ищут корреляции одной переменной вовремя и оценивают эти недостающие данные соответственно.
, Например, imputeTS пакет могла бы быть опция здесь. Существует несколько опций:
library("imputeTS")
na_interpolation(data)
Для использования линейной интерполяции для замены отсутствующих значений.
library("imputeTS")
na_ma(data)
Для использования скользящего среднего значения для замены отсутствующих значений.
library("imputeTS")
na_kalman(data)
Усовершенствованный для использования моделей ARIMA / Kalman, сглаживающий для обвинения.
существуют также более возможные методы (см. этот бумага , могло бы иметь смысл рыть немного глубже здесь для использования самого подходящего для проблемы.