Agregación de datos

La agregación consiste en reducir la frecuencia de muestreo de una serie temporal y es clave para entender los patrones de los datos, lo que permite visualizarlos e interpretarlos con mayor claridad. En especial cuando la resolución temporal es alta —datos muestreados cada hora o cada minuto—, puede resultar difícil interpretar la serie o detectar patrones, por lo que conviene agregar.

Aquí trabajarás con una serie temporal, hourly_temperature, que contiene lecturas horarias de temperatura de una localidad de Estados Unidos, y la agregarás a distintos niveles.

hourly_temperature, xts y ggplot2 ya están cargados para ti.

Este ejercicio forma parte del curso

Manipular series temporales en R

Ver curso

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Autoplot with a proper label
___

Editar y ejecutar código

Este ejercicio forma parte del curso

Manipular series temporales en R

IntermedioNivel de habilidad

4.8+

207 reviews

Comienza el curso gratis

Aprenderás los fundamentos de lo que representa una serie temporal, cómo obtener estadísticas resumidas de los datos en una serie temporal y cómo interpretar visualmente una gráfica de serie temporal como parte de la fase de exploración de tu análisis. También verás cómo gestionar información de fecha y hora dentro de objetos de R y cómo aplicar un formato coherente a las fechas.

Exercise 1: ¿Qué son los datos de series temporales?Exercise 2: Graficar series temporales con autoplot Exercise 3: Resumen de series temporales Exercise 4: Interpretar gráficos de series temporales Exercise 5: Clases de datos temporales en R Exercise 6: Encontrar la clase Exercise 7: Funciones is-dot Exercise 8: as_date de lubridate Exercise 9: Dar formato a fechas en R Exercise 10: Especificaciones de conversión Exercise 11: Interpretar y dar formato a fechas

Aquí aprenderás a obtener atributos clave de la información temporal, como el rango temporal de los datos y la frecuencia de muestreo, para comprender mejor tus datos. También conocerás el paquete zoo, que incluye herramientas y funciones para crear y manipular objetos de series temporales. Muchas aplicaciones de ciencia de datos en R usan el paradigma de data frame; aprenderás a convertir entre un data frame y una serie temporal.

Exercise 1: Atributos de series temporales Exercise 2: Atributos temporales y fechas decimales Exercise 3: Comparar atributos temporales Exercise 4: Objetos de series temporales con el paquete zoo Exercise 5: Creación de un objeto zoo Exercise 6: zoo y ggplot2 Exercise 7: Manipular objetos de zoo Exercise 8: Actualizar y reemplazar índices Exercise 9: Buscar índices superpuestos Exercise 10: Convertir entre zoo y data frame Exercise 11: Pasar entre data.frame y zoo

Verás cómo extraer una ventana de una serie temporal para centrarte en un periodo concreto de interés. Comprobarás que, al trabajar con datos reales, el intervalo temporal del conjunto de datos puede abarcar más información de la necesaria, lo que puede recargar tus visualizaciones. Muestrearás datos temporales a distintas frecuencias, como cada minuto, hora, mes o año. Además, al agregar tus datos, aprenderás a ver las tendencias generales usando el paquete xts. También aprenderás métodos de imputación de datos: rellenar valores faltantes con un valor constante, LOCF o interpolación lineal.

Exercise 1: Extraer una ventana de observaciones Exercise 2: Seleccionar una ventana de una serie temporal Exercise 3: Buscar una observación de una fecha específica Exercise 4: Expresiones lógicas y subconjuntos Exercise 5: Datos mensuales y trimestrales Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Remuestrear y agregar observaciones Exercise 9: Agregación de datos

Ejercicio actual

Exercise 10: Nivel de agregación personalizado Exercise 11: Representar una serie temporal agregada con ggplot2 Exercise 12: Imputación de valores faltantes Exercise 13: Métodos de imputación Exercise 14: Relleno constante Exercise 15: Last observation carried forward (LOCF)Exercise 16: Interpolación lineal

Aprenderás a crear ventanas “deslizantes” de una serie temporal que se mueven o «se deslizan» junto con los datos, lo que permite resumir tendencias a lo largo del tiempo, como la media a lo largo de varios meses de observaciones o la suma a lo largo de varias semanas de ventas. Las estadísticas generales, como la media, mediana, suma o máximo, no siempre muestran cómo cambian los datos con el tiempo, y las ventanas deslizantes te permitirán calcular estadísticas de forma dinámica. Además de las ventanas deslizantes, también aprenderás a crear ventanas expansivas, que muestran cómo estas estadísticas resumen se acercan a su valor final.

Exercise 1: ¿Qué es una ventana móvil?Exercise 2: Funciones de ventana móvil Exercise 3: Ventanas rodantes frente a agregación Exercise 4: Aplicar funciones a ventanas móviles Exercise 5: Mínimo móvil Exercise 6: Aplicación móvil con función personalizada Exercise 7: Ventanas en expansión Exercise 8: Ventanas móviles frente a ventanas expansivas Exercise 9: Suma en expansión Exercise 10: Media en expansión Exercise 11: ¡Enhorabuena!