Interpretace grafů časových řad

Při vizualizaci dat časových řad je klíčové umět interpretovat různé vlastnosti a charakteristiky grafů. Když dokážeš z grafu odvodit vlastnosti dat, lépe se připravíš na výběr správných nástrojů pro analýzu. V tomto cvičení budeš interpretovat některé vlastnosti časové řady ftse na základě jejího grafu.

Plot of the Financial Times Stock Exchange closing prices versus time, from 1992 to 1998.

Toto cvičení je součástí kurzu

Manipulace s časovými řadami v R

Zobrazit kurz

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

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 Exercise 4: Interpretace grafů časových řad

Aktuální cvičení

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!