Funciones de correlación - Amazon Timestream

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Funciones de correlación

Dadas dos series temporales de longitud similar, las funciones de correlación proporcionan un coeficiente de correlación, que explica la tendencia de las dos series temporales a lo largo del tiempo. El coeficiente de correlación varía de -1.0 a1.0. -1.0indica que las dos series temporales tienden en direcciones opuestas a la misma velocidad, mientras que 1.0 indica que las dos series temporales tienden en la misma dirección y a la misma velocidad. Un valor de 0 indica que no hay correlación entre las dos series temporales. Por ejemplo, si el precio del petróleo aumenta y el precio de las acciones de una empresa petrolera aumenta, la tendencia del aumento del precio del petróleo y el aumento del precio de la empresa petrolera tendrá un coeficiente de correlación positivo. Un coeficiente de correlación positivo alto indicaría que los dos precios tienen una tendencia similar. Del mismo modo, el coeficiente de correlación entre los precios de los bonos y los rendimientos de los bonos es negativo, lo que indica que estos dos valores tienen una tendencia en la dirección opuesta a lo largo del tiempo.

Amazon Timestream admite dos variantes de funciones de correlación. En esta sección se proporciona información sobre el uso del Timestream para las funciones de LiveAnalytics correlación, así como ejemplos de consultas.

Información de uso

Función Tipo de datos de salida Descripción

correlate_pearson(timeseries, timeseries)

double

Calcula el coeficiente de correlación de Pearson para ambostimeseries. La serie temporal debe tener las mismas marcas de tiempo.

correlate_spearman(timeseries, timeseries)

double

Calcula el coeficiente de correlación de Spearman para las dos. timeseries La serie temporal debe tener las mismas marcas de tiempo.

Consultas de ejemplo

WITH cte_1 AS ( SELECT INTERPOLATE_LINEAR( CREATE_TIME_SERIES(time, measure_value::double), SEQUENCE(min(time), max(time), 10m)) AS result FROM sample.DevOps WHERE measure_name = 'cpu_utilization' AND hostname = 'host-Hovjv' AND time > ago(1h) GROUP BY hostname, measure_name ), cte_2 AS ( SELECT INTERPOLATE_LINEAR( CREATE_TIME_SERIES(time, measure_value::double), SEQUENCE(min(time), max(time), 10m)) AS result FROM sample.DevOps WHERE measure_name = 'cpu_utilization' AND hostname = 'host-Hovjv' AND time > ago(1h) GROUP BY hostname, measure_name ) SELECT correlate_pearson(cte_1.result, cte_2.result) AS result FROM cte_1, cte_2