创建一个高表，从表中提取一个高向量，然后找到向量中元素的总数。

创建一个高的桌子Airlinesmall.csv.数据集。数据包含有关美国航班的抵达和出发时间的信息。提取arrdelay.变量，这是抵达延迟的矢量。

ds = tabulartextdataStore（'airlinesmall.csv'那'尾声'那'na'）;ds.selectedvariablenames = {'arrdelay''depdelay'};tt =高(ds);tX = tt.ArrDelay;

使用matlab.tall.reduce.reduce.计算非的总数南在高的传染媒介的元素。第一个功能numel.计算每个数据块中的元素数量，第二个函数和将每个块的所有计数加在一起以产生一个标量结果。

s = matlab.tall.reduce（@ numel，@ sum，tx）

s = mxnx ...高级双数组？？？......？？？......？？？... :::::::::

将结果收集到内存中。

s =聚集（s）

使用本地MATLAB会话评估高表达： - 通过1的1：1：在1.5秒评估中完成的1.8秒完成

s = 123523

创建一个高大的表，提取两个高vectors形成表，然后计算每个矢量的平均值。

创建一个高的桌子Airlinesmall.csv.数据集。数据包含有关美国航班的抵达和出发时间的信息。提取arrdelay.和DEPDELAY.变量，这是抵达和离开延误的矢量。

ds = tabulartextdataStore（'airlinesmall.csv'那'尾声'那'na'）;ds.selectedvariablenames = {'arrdelay''depdelay'};tt =高(ds);tt = rmmissing (tt);tX = tt.ArrDelay;泰= tt.DepDelay;

在算法的第一阶段，计算向量中每个数据块的和和元素计数。为此，您可以编写一个函数，该函数接受两个输入并返回一个输出，其中包含每个输入的和和计数。这个函数在示例的最后作为一个局部函数列出。

函数Bx = [sum(tx) numel(tx) sum(ty) numel(ty)];结尾

在算法的缩减阶段，您需要加入所有中间和数量和计数。因此，matlab.tall.reduce.reduce.返回每个输入向量的元素的总和和元素数，并计算平均值是一个简单的划分。对于此步骤，您可以应用和从第一阶段函数从1×4向量输出的第一维度。

recentfcn = @（x）总和（x，1）;s = matlab.tall.reduce（@ sumcount，sydreffcn，tx，ty）

s = mxnx ...高级双数组？？？......？？？......？？？... :::::::::

s =聚集（s）

使用本地MATLAB会话评估高表达式:-通过1:在2.4秒完成评估在2.9秒完成

S =1×4860584 120866 982764 120866

前两个元素S.是总和和数量TX.，第二个元素是sum和count fort。除以总和和计数会产生平均值，您可以比较返回的答案吝啬的功能。

my_mean = [s（1）/ s（2）s（3）/ s（4）]

my_mean =.1×27.1201 8.1310

m =聚集（平均值（[Tx TY]））

使用当地MATLAB会话评估高表达： - 通过1的1：0.64秒评估完成0.86秒

m =1×27.1201 8.1310

函数Bx = [sum(tx) numel(tx) sum(ty) numel(ty)];结尾

创建一个高大的表，然后计算数据中每年的平均飞行延迟。

创建一个高的桌子Airlinesmall.csv.数据集。数据包含有关美国航班的抵达和出发时间的信息。从表中删除缺失数据的行并提取arrdelay.那DEPDELAY.,年变量。这些变量是数据集中每个航班到达和离开延误和相关年份的向量。

ds = tabulartextdataStore（'airlinesmall.csv'那'尾声'那'na'）;ds.selectedvariablenames = {'arrdelay''depdelay''年'};tt =高(ds);tt = rmmissing (tt);

使用matlab.tall.reduce.reduce.将两个功能应用于高桌子。第一个功能结合了arrdelay.和DEPDELAY.变量找到每个航班的总均值延迟。该函数确定每条数据中的独特数量有多少年，然后每年周期循环，并计算当年的航班平均延迟。结果是包含年份的双变量表和平均总延迟。这种中间数据需要进一步减少，以达到每年平均延迟。将此功能保存在当前文件夹中变换_fcn.m.。

类型变换_fcn.

功能t = transform_fcn（a，b，c）II =聚集（唯一（c））;对于k = 1：长度（ii）jj =（c ==i（k））;d =均值（[a（jj）b（jj）]，2）;如果k == 1 t = table（c（jj），d，'variablenames'，{'年''incomdelay'}）;否则t = [t;表（c（jj），d，'variablenames'，{'一年'incomdelay'}）];结束结束

第二个功能使用第一个功能的结果来计算每年的平均总延迟。输出从recument_fcn.与输出兼容变换_fcn.，这样数据块就可以以任何顺序连接起来，并不断减少，直到每年只剩下一行。

类型recument_fcn.

函数tt = recens_fcn（t）[组，y] = findgroups（t.year）;d = sclustapply（@mean，t.meandelay，组）;tt =表（y，d，'variablenames'，{'年''incomdelay'}）;结尾

将变换应用于高向量。自输入以来（类型双倍的）和输出（类型表格）有不同的数据类型，使用'opportslike'名称 - 值对以指定输出是表。一种指定输出类型的简单方法是用虚拟输入调用变换函数。

a = tt.arrdelay;b = tt.depdelay;c = tt.year;d1 = matlab.tall.reduce（@transform_fcn，@reduce_fcn，a，b，c，'opportslike'，{transform_fcn（0,0,0）}）

d1 = mx2高表年意味着____ _________？？？？？？::::::::

将结果集成到内存中，以查看每年平均总飞行延误。

d1 =聚集（D1）

使用本地MATLAB会话评估高表达： - 通过1的第1条：2.5秒评估完成2.9秒

d1 =22×2表年份__________ 1987 7.6889 1988 6.7918 1989 8.7918 1990 19.0757 1990 7.0134 1991 1992 5.134 1993 5.1967 1993 5.4941 1994 6.0303 1995 1996 9.6981 1999 8.4346 1999 8.3789 1999 8.9121 2001 8.9121 2001年6月3.895 2002 6.8975 2002 3.4325 2002 3.4325 2001年3.8975 2002 3.4325 2002 3.8975 2002 3.4325 2002 3.8975 2002 3.4325 2002年3.897 2002

类型mysplitfcn.

函数t = mysplitfcn（a，b，c）t = matlab.tall.reduce（@non_group_transform_fcn，@non_group_reduce_fcn，... a，b，c，'outputslike'，{non_group_transform_fcn（0,0,0）}）;功能t = non_group_transform_fcn（a，b，c）d =均值（[a b]，2）;t =表（c，d，'variablenames'，{'年''incomdelay'}）;结束函数tt = non_group_reduce_fcn（t）d =均值（t.meandelay）;tt =表（t.year（1），d，'variablenames'，{'年''incomdelay'}）;结束

组= findgroups (c);d2 = splitapply(@mySplitFcn, a, b, c, groups);d2 =收集(d2)

使用本地MATLAB会话评估高表达： - 通过第1条：在0.91秒内完成 -  PASS 2的2：22秒评估完成4.1秒

d2 =22×2表年份__________ 1987 7.6889 1988 6.7918 1989 8.7918 1990 19.0757 1990 7.0134 1991 1992 5.134 1993 5.1967 1993 5.4941 1994 6.0303 1995 1996 9.6981 1999 8.4346 1999 8.3789 1999 8.9121 2001 8.9121 2001年6月3.895 2002 6.8975 2002 3.4325 2002 3.4325 2001年3.8975 2002 3.4325 2002 3.8975 2002 3.4325 2002 3.8975 2002 3.4325 2002年3.897 2002

使用权重的矢量计算高阵列的加权标准偏差和方差。这是你如何使用的一个例子matlab.tall.reduce.reduce.围绕功能工作，高大阵列尚不支持。金宝app

创建两个随机数据的高向量。TX.包含随机数据，和TP.包含相应的概率总和(tP)是1。这些概率适合于对数据进行加权。

rng默认tX =高(兰德(1 e4, 1));p =兰德(1 e4, 1);tP =高(正常化(p,'规模'，总和（p））））;

编写一个身份函数，返回等于输入的输出。这种方法跳过了变换步骤matlab.tall.reduce.reduce.并将数据直接传递给减少步骤，其中重复应用减少功能以减小数据的大小。

类型IdentityTransform.m.

函数[A,B] = identityTransform(X,Y) A = X;B = Y;结尾

接下来，写入一个在高向量的块上运行的减少函数，以计算加权方差和标准偏差。

类型加权

函数[wvar，wstd] = preceedstats（x，p）wvar = var（x，p）;wstd = std（x，p）;结尾

使用matlab.tall.reduce.reduce.将这些功能应用于高位向量中的数据块。

[tx_var_weighted，tx_std_wuighted] = matlab.tall.reduce（@idertitytransform，@weightedstats，tx，tp）

tx_var_weighted = mxnx ...高级双数组？？？......？？？......？？？... :::::::txstd_weighted = mxnx ...高级双数组？ ? ? ... ? ? ? ... ? ? ? ... : : : : : :