Lineare Interpolation

Für stetige und numerische Daten – bei denen die Werte überall innerhalb eines Wertebereichs liegen können – ist die lineare Interpolation oft die beste Option zur Imputation. Daten wie Temperatur, Höhenlage und Pro-Kopf-Einkommen sind Beispiele, bei denen lineare Interpolation eingesetzt werden kann.

In dieser Übung bestimmst du die Anzahl der fehlenden Werte in der Zeitreihe maunaloa_missing und verwendest lineare Interpolation, um diese Werte zu imputieren.

maunaloa_missing, zoo und ggplot2 stehen dir zur Verfügung.

Diese Übung ist Teil des Kurses

<Kurs>Zeitreihen in R bearbeiten</Kurs>

Übungsanweisungen

Bestimme die Anzahl der Beobachtungen aus maunaloa_missing, die NA sind.
Verwende lineare Interpolation, um die fehlenden Werte in maunaloa_missing zu füllen; weise das Ergebnis als maunaloa_linear zu.
Erstelle einen ggplot von maunaloa_linear mit einer roten Linie.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Count the number of missing values
___

# Fill in values with linear approximation
___

# Generate a full ggplot of maunaloa_linear
ggplot(___,
       aes(___)) + 
  scale_y_continuous() + 
  ___

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Zeitreihen in R bearbeiten</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Du lernst die Grundlagen: Was eine Zeitreihe darstellt, wie du Kennzahlen für die Daten einer Zeitreihe ermittelst und wie du ein Zeitreihendiagramm im Explorationsschritt deiner Analyse visuell interpretierst. Außerdem erfährst du, wie man Datums- und Zeitangaben in R-Objekten verwaltet und wie sich ein einheitliches Datumsformat integrieren lässt.

Exercise 1: Was sind Zeitreihendaten?Exercise 2: Zeitreihen mit autoplot zeichnen Exercise 3: Zeitreihen-Zusammenfassung Exercise 4: Zeitreihendiagramme interpretieren Exercise 5: Zeitbezogene Datenklassen in R Exercise 6: Die Klasse ermitteln Exercise 7: is-dot-Funktionen Exercise 8: lubridates as_date Exercise 9: Datumsformate in R Exercise 10: Konvertierungsspezifikationen Exercise 11: Datumsangaben parsen und formatieren

Hier lernst du, wichtige Eigenschaften von Zeitreihen zu ermitteln, etwa die zeitliche Spannweite der Daten und wie häufig die Daten erhoben wurden, um deine Daten besser zu verstehen. Außerdem lernst du das Paket zoo kennen, das Werkzeuge und Funktionen zum Erstellen und Bearbeiten von Zeitreihenobjekten bereitstellt. Viele Data-Science-Anwendungen in R arbeiten im Data-Frame-Paradigma; du lernst, wie man zwischen einem Data Frame und einer Zeitreihe konvertiert.

Exercise 1: Attribute von Zeitreihen Exercise 2: Zeitliche Attribute und Dezimaldaten Exercise 3: Zeitliche Attribute vergleichen Exercise 4: Zeitreihenobjekte mit dem Paket zoo Exercise 5: Ein zoo-Objekt erstellen Exercise 6: zoo und ggplot2 Exercise 7: zoo-Objekte bearbeiten Exercise 8: Indizes aktualisieren und ersetzen Exercise 9: Überlappende Indizes finden Exercise 10: Zwischen zoo und Data Frame konvertieren Exercise 11: Zwischen data.frame und zoo wechseln

Du lernst, wie du ein Fenster aus einer Zeitreihe heraus subsettest, um dich auf einen bestimmten Zeitraum zu konzentrieren. Du wirst sehen: In realen Zeitreihen deckt die Zeitspanne deines Datensatzes oft mehr ab, als du benötigst – das kann Visualisierungen überladen. Du wirst Zeitreihendaten mit verschiedenen Raten sampeln, zum Beispiel minütlich, stündlich, monatlich oder jährlich. Durch Aggregation deiner Daten erkennst du die übergeordneten Trends mithilfe des xts-Pakets. Außerdem lernst du Methoden zur „Imputation“ deiner Daten kennen – das Auffüllen fehlender Werte mit konstanten Werten, LOCF oder linearer Interpolation.

Exercise 1: Ein Fenster von Beobachtungen subsetten Exercise 2: Ein Fenster aus einer Zeitreihe auswählen Exercise 3: Eine Beobachtung zu einem bestimmten Datum finden Exercise 4: Logische Ausdrücke und Teilmengen Exercise 5: Monatliche und vierteljährliche Daten Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Resampling und Aggregieren von Beobachtungen Exercise 9: Daten aggregieren Exercise 10: Benutzerdefinierte Aggregationsebene Exercise 11: Eine aggregierte Zeitreihe mit ggplot2 visualisieren Exercise 12: Fehlende Werte imputieren Exercise 13: Imputationsmethoden Exercise 14: Konstantes Auffüllen Exercise 15: Last Observation Carried Forward (LOCF)Exercise 16: Lineare Interpolation

Aktuelle Übung

Du lernst, „rollende“ Fenster einer Zeitreihe zu erstellen, die sich mit den Daten mitbewegen – so lassen sich Trends über die Zeit zusammenfassen, etwa der Durchschnitt über aufeinanderfolgende Monate oder die Summe über mehrere Verkaufswochen. Gesamte Kennzahlen wie Mittelwert, Median, Summe oder Maximum zeigen nicht immer, wie sich Daten im Zeitverlauf verändern; rollende Fenster erlauben dir, Kennzahlen dynamisch zu berechnen. Zusätzlich zu rollenden Fenstern lernst du auch wachsende (expanding) Fenster kennen, die zeigen, wie sich diese Kennzahlen ihrem Endwert annähern.

Exercise 1: Was ist ein Rolling Window?Exercise 2: Funktionen für Rolling Windows Exercise 3: Rolling Windows versus Aggregation Exercise 4: Funktionen auf rollende Fenster anwenden Exercise 5: Gleitendes Minimum Exercise 6: Rolling apply mit einer benutzerdefinierten Funktion Exercise 7: Expanding Windows Exercise 8: Rolling- versus Expanding-Windows Exercise 9: Expanding Summe Exercise 10: Expanding Mean Exercise 11: Glückwunsch!