Eine Reihenfolge mit `parse_date_time()` angeben

Was ist, wenn du etwas in einer wirklich ungewöhnlichen Reihenfolge wie dym_msh hast? Dafür gibt es keine benannte Funktion – hier kommt parse_date_time() ins Spiel. parse_date_time() nimmt ein zusätzliches Argument orders, mit dem du die Reihenfolge der Komponenten im Datum festlegen kannst.

Um zum Beispiel "2010 September 20th" zu parsen, könntest du parse_date_time("2010 September 20th", orders = "ymd") verwenden; das wäre gleichbedeutend mit der Funktion ymd() aus der vorherigen Übung.

Ein Vorteil von parse_date_time() ist, dass du mehr Formatzeichen verwenden kannst. Du kannst zum Beispiel Wochentagsnamen mit A angeben, I für 12‑Stunden‑Zeit, am/pm‑Indikatoren mit p und viele weitere. Eine vollständige Liste findest du auf der Hilfeseite ?parse_date_time.

Ein weiterer großer Vorteil ist, dass du einen Vektor von Reihenfolgen angeben kannst. So lassen sich Datumswerte parsen, bei denen mehrere Formate vorkommen können.

Das probierst du in dieser Übung aus.

Diese Übung ist Teil des Kurses

Arbeiten mit Datums- und Zeitangaben in R

Anleitung zur Übung

x ist ein kniffligeres Datum-Zeit-Format. Nutze die Hinweise in der Anleitung, um x zu parsen.
two_orders hat zwei unterschiedliche Reihenfolgen. Parse beide, indem du die Reihenfolge als c("mdy", "dmy") angibst.
Parse short_dates mit orders = c("dOmY", "OmY", "Y"). Was passiert mit den Datumsangaben, bei denen Monate oder Tage fehlen?

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Specify an order string to parse x
x <- "Monday June 1st 2010 at 4pm"
___(x, orders = "___")

# Specify order to include both "mdy" and "dmy"
two_orders <- c("October 7, 2001", "October 13, 2002", "April 13, 2003", 
  "17 April 2005", "23 April 2017")
parse_date_time(two_orders, orders = ___)

# Specify order to include "dOmY", "OmY" and "Y"
short_dates <- c("11 December 1282", "May 1372", "1253")
parse_date_time(short_dates, orders = ___)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Arbeiten mit Datums- und Zeitangaben in R

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

R weiß nicht von selbst, dass etwas ein Datum oder eine Zeit ist – das musst du angeben. In diesem Kapitel lernst du einige der Arten kennen, wie R Datums- und Zeitangaben speichert, indem du erkundest, wie oft R-Versionen erscheinen und wie schnell sie heruntergeladen werden. Außerdem bekommst du einen Vorgeschmack auf das, was dich in den folgenden Kapiteln erwartet.

Exercise 1: Einführung in Datumsangaben Exercise 2: ISO-8601-Daten erkennen Exercise 3: Datumsangaben festlegen Exercise 4: Automatischer Import Exercise 5: Warum mit Datumsangaben arbeiten?Exercise 6: Plotten Exercise 7: Arithmetische und logische Operatoren Exercise 8: Und wie sieht es mit Zeiten aus?Exercise 9: Datetimes in R einlesen Exercise 10: Auch mit Datetimes lässt sich gut arbeiten Exercise 11: Warum lubridate?

Datums- und Zeitangaben gibt es in einer Vielzahl von Formaten. Die erste Hürde ist daher oft, dein Format in ein R-Datetime zu parsen. Dieses Kapitel zeigt dir, wie du mit dem Paket lubridate Datums- und Zeitangaben importierst. Du lernst außerdem, wie du Teile einer Datums-Zeit extrahierst. Üben wirst du das, indem du das Wetter im Geburtsort von R, Auckland (NZ), untersuchst.

Exercise 1: Datumsangaben mit lubridate parsen Exercise 2: Die richtige Parsing-Funktion auswählen Exercise 3: Eine Reihenfolge mit `parse_date_time()` angeben

Aktuelle Übung

Exercise 4: Wetter in Auckland Exercise 5: Tägliche Wetterdaten importieren Exercise 6: Stündliche Wetterdaten importieren Exercise 7: Teile eines Datetime-Objekts extrahieren Exercise 8: Was kannst du extrahieren?Exercise 9: Nützliche Beschriftungen hinzufügen Exercise 10: Extrahieren fürs Plotten Exercise 11: Teile extrahieren zum Filtern und Zusammenfassen Exercise 12: Datetimes runden Exercise 13: Runden üben Exercise 14: Runden mit den Wetterdaten

Datums-Zeiten in R zu bekommen, ist nur der erste Schritt. Jetzt, da du weißt, wie man sie parst, musst du lernen, damit zu rechnen. In diesem Kapitel lernst du die verschiedenen Arten kennen, Zeitspannen mit lubridate darzustellen, und wie du sie nutzt, um mit Datums-Zeiten zu rechnen. Am Ende des Kapitels hast du berechnet, wie lange es her ist, dass der erste Mensch den Mond betreten hat, Datumsfolgen zur Planung von Erinnerungen erzeugt, den Zeitpunkt einer Sonnenfinsternis ermittelt und die Regierungszeiten der Monarchen Englands erkundet (und welche Halley’schen Kometen gesehen haben könnten!).

Exercise 1: Differenzen von Datetimes bilden Exercise 2: Wie lange ist es her?Exercise 3: Wie viele Sekunden hat ein Tag?Exercise 4: Zeitspannen.Exercise 5: Eine Zeitspanne zu einem Datum/Zeitpunkt addieren oder subtrahieren Exercise 6: Duration oder Period?Exercise 7: Arithmetik mit Zeitspannen Exercise 8: Sequenzen von Datetimes erzeugen Exercise 9: Das knifflige an Monaten Exercise 10: Intervalle Exercise 11: Intervalle untersuchen. Regierungszeiten von Königen und Königinnen Exercise 12: Intervalle und Datetimes vergleichen Exercise 13: In Durations und Periods umwandeln

Du kennst nun das meiste, was du brauchst, um Daten mit Datums- und Zeitangaben zu bewältigen. In der Praxis können jedoch noch einige weitere Probleme auftreten. In diesem letzten Kapitel lernst du mehr darüber, indem du zu einigen früheren Datenbeispielen zurückkehrst und erfährst, wie du mit Zeitzonen umgehst, Zeiten behandelst, wenn dir das Datum egal ist, Datumsangaben schnell parst und Datums- und Zeitangaben ausgibst.

Exercise 1: Zeitzonen Exercise 2: Zeitzone festlegen Exercise 3: In einer Zeitzone anzeigen Exercise 4: Zeitzonen in den Wetterdaten Exercise 5: Uhrzeiten ohne Datum Exercise 6: Mehr zum Importieren und Exportieren von Datum-Uhrzeit-Werten Exercise 7: Schnelles Parsen mit fasttime Exercise 8: Schnelles Parsen mit lubridate::fast_strptime Exercise 9: Schöne Datums- und Zeitangaben ausgeben Exercise 10: Abschluss