Souhrnné statistiky časové řady

Průzkum dat je prvním krokem každé analýzy, a to platí zejména při práci s časovými řadami.

Mezi nejdůležitější informace o datové sadě patří souhrnné statistiky – tedy hodnoty jako průměr, minimum, maximum, medián a podobně.

Tyto statistiky ti dávají přehled o rozložení hodnot v datech, takže se vyplatí procvičit si jejich získávání v R.

Toto cvičení je součástí kurzu

Manipulace s časovými řadami v R

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Determine the summary statistics of maunaloa
___

Upravit a spustit kód

Toto cvičení je součástí kurzu

Manipulace s časovými řadami v R

SkillTag.level.intermediateSkillTag.label

4.8+

291 reviews

Začněte kurz zdarma

Naučíš se základy toho, co časová řada představuje, jak z ní získat souhrnné statistiky a jak vizuálně interpretovat graf časové řady jako součást průzkumné fáze analýzy. Probereme také práci s informacemi o datu a čase v objektech R a způsoby, jak zajistit konzistentní formátování dat.

Exercise 1: Co jsou data časové řady?Exercise 2: Vizualizace časových řad pomocí autoplot Exercise 3: Souhrnné statistiky časové řady

Aktuální cvičení

Exercise 4: Interpretace grafů časových řad Exercise 5: Třídy temporálních dat v R Exercise 6: Zjištění třídy objektu Exercise 7: Funkce is-dot Exercise 8: Funkce as_date z lubridate Exercise 9: Formátování dat v R Exercise 10: Konverzní specifikace Exercise 11: Parsování a formátování dat

Naučíš se získávat klíčové atributy časových řad – například časový rozsah dat a frekvenci jejich vzorkování – abys svým datům lépe porozuměl/a. Seznámíš se také s balíčkem zoo, který obsahuje nástroje a funkce pro tvorbu a manipulaci s objekty časových řad. Protože mnoho aplikací datové vědy v R pracuje s datovými rámci, ukážeme si, jak mezi datovým rámcem a časovou řadou převádět.

Exercise 1: Atributy časových řad Exercise 2: Časové atributy a desetinná data Exercise 3: Porovnávání časových atributů Exercise 4: Objekty časových řad s balíčkem zoo Exercise 5: Vytvoření objektu zoo Exercise 6: zoo a ggplot2 Exercise 7: Manipulace s objekty zoo Exercise 8: Aktualizace a nahrazení indexů Exercise 9: Hledání překrývajících se indexů Exercise 10: Převod mezi zoo a datovým rámcem Exercise 11: Převod mezi data.frame a zoo

Naučíš se vybírat okno z časové řady a zaměřit se na konkrétní časové období. Zjistíš, že při práci s reálnými daty časová řada často pokrývá více informací, než potřebuješ, což může přehlednost vizualizací snižovat. Budeme vzorkovat data časových řad v různých frekvencích – například po minutách, hodinách, měsících nebo rocích. Díky agregaci dat pak uvidíš celkové trendy pomocí balíčku xts. Naučíš se také metody imputace – tedy doplňování chybějících hodnot konstantním doplněním, metodou LOCF nebo lineární interpolací.

Exercise 1: Výběr časového okna pozorování Exercise 2: Výběr okna z časové řady Exercise 3: Vyhledání záznamu k určitému datu Exercise 4: Logické výrazy a výběr podmnožin Exercise 5: Měsíční a čtvrtletní data Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Převzorkování a agregace pozorování Exercise 9: Agregace dat Exercise 10: Vlastní úroveň agregace Exercise 11: Vykreslení agregované časové řady pomocí ggplot2 Exercise 12: Imputace chybějících hodnot Exercise 13: Metody imputace Exercise 14: Konstantní doplnění Exercise 15: Přenášení poslední pozorované hodnoty (LOCF)Exercise 16: Lineární interpolace

Naučíš se vytvářet „klouzavá" okna časové řady, která se pohybují spolu s daty a umožňují shrnovat trendy v čase – například průměr za několik po sobě jdoucích měsíců nebo součet tržeb za několik týdnů. Celkové souhrnné statistiky, jako jsou průměr, medián, součet nebo maximum, ne vždy odhalí, jak se data v čase mění – klouzavá okna ti umožní tyto statistiky počítat dynamicky. Kromě klouzavých oken se naučíš také pracovat s okny rozšiřujícími se, která ukazují, jak se souhrnné statistiky postupně přibližují své konečné hodnotě.

Exercise 1: Co je to klouzavé okno?Exercise 2: Funkce pro klouzavá okna Exercise 3: Klouzavá okna versus agregace Exercise 4: Aplikování funkcí na klouzavá okna Exercise 5: Klouzavé minimum Exercise 6: Rollapply s vlastní funkcí Exercise 7: Rozšiřující okna Exercise 8: Klouzavá versus rozšiřující se okna Exercise 9: Kumulativní součet Exercise 10: Rozšiřující se průměr Exercise 11: Gratulujeme!