Remplissage constant

Le remplissage constant est une méthode d’imputation utile lorsque les valeurs manquantes NA d’un jeu de données peuvent raisonnablement être supposées égales à une valeur donnée. Lors du transfert de données entre plateformes ou logiciels, certaines valeurs peuvent être « perdues » ou signalées à tort comme NA. L’imputation par remplissage constant permet de remplacer ces valeurs manquantes par une valeur par défaut.

Dans cet exercice, vous allez imputer les valeurs manquantes de la série temporelle car_sales, qui représente les ventes quotidiennes d’un employé d’une concession automobile.

Cet exercice fait partie du cours

Manipuler des séries temporelles en R

Afficher le cours

Instructions

Déterminez le nombre total de valeurs NA dans la série temporelle car_sales.
Utilisez l’imputation par remplissage constant pour remplacer les valeurs manquantes de car_sales par 0 ; assignez le résultat à la variable car_sales_filled.
Tracez automatiquement la série temporelle car_sales_filled.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Add together the number of NA values
___

# Fill in missing values with zero
___ <- ___

# Autoplot the filled time series
autoplot(___) + 
  labs(y = "Daily Car Sales") + 
  theme_light()

Modifier et exécuter le code

Cet exercice fait partie du cours

Manipuler des séries temporelles en R

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Vous apprendrez les bases de ce que représente une série temporelle, comment obtenir des statistiques descriptives sur les données d’une série temporelle, et comment interpréter visuellement un graphique de série temporelle dans la phase d’exploration de votre analyse. Vous verrez également comment gérer les informations de date et d’heure au sein des objets R et comment appliquer un formatage cohérent pour les dates.

Exercise 1: Qu’est-ce qu’une série temporelle ?Exercise 2: Tracer des séries temporelles avec autoplot Exercise 3: Résumé de la série temporelle Exercise 4: Interpréter des graphiques de séries temporelles Exercise 5: Classes de données temporelles dans R Exercise 6: Identifier la classe Exercise 7: Fonctions is-point Exercise 8: as_date de lubridate Exercise 9: Formater des dates en R Exercise 10: Spécifications de conversion Exercise 11: Analyser et formater des dates

Ici, vous apprendrez à extraire des attributs clés d’une série temporelle, comme l’intervalle de temps couvert par les données et la fréquence d’échantillonnage, afin de mieux comprendre vos données. Vous découvrirez aussi le package zoo, qui propose des outils et fonctions pour créer et manipuler des objets de séries temporelles. De nombreuses applications de data science en R utilisent le paradigme des data frames ; vous apprendrez à convertir un data frame en série temporelle et inversement.

Exercise 1: Attributs des séries temporelles Exercise 2: Attributs temporels et dates décimales Exercise 3: Comparer des attributs temporels Exercise 4: Objets de séries temporelles avec le package zoo Exercise 5: Créer un objet zoo Exercise 6: zoo et ggplot2 Exercise 7: Manipuler des objets zoo Exercise 8: Mise à jour et remplacement des index Exercise 9: Trouver les indices qui se chevauchent Exercise 10: Conversion entre zoo et data frame Exercise 11: Passer de data.frame à zoo et inversement

Vous verrez comment extraire une fenêtre d’une série temporelle pour vous concentrer sur une période précise. Avec des données réelles, l’étendue temporelle de votre jeu de données peut dépasser vos besoins et encombrer vos visualisations. Vous échantillonnerez des séries à divers rythmes, par exemple chaque minute, heure, mois ou année. En agrégeant vos données, vous dégagerez les tendances générales à l’aide du package xts. Vous apprendrez également des méthodes d’« imputation » — remplir les valeurs manquantes avec une constante, la méthode LOCF ou l’interpolation linéaire.

Exercise 1: Extraire une fenêtre d’observations Exercise 2: Sélectionner une fenêtre dans une série chronologique Exercise 3: Trouver une observation à une date précise Exercise 4: Expressions logiques et sous-ensembles Exercise 5: Données mensuelles et trimestrielles Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Rééchantillonnage et agrégation des observations Exercise 9: Agrégation des données Exercise 10: Niveau d’agrégation personnalisé Exercise 11: Tracer une série temporelle agrégée avec ggplot2 Exercise 12: Imputer les valeurs manquantes Exercise 13: Méthodes d’imputation Exercise 14: Remplissage constant

Exercice en cours

Exercise 15: Dernière observation reportée (LOCF)Exercise 16: Interpolation linéaire

Vous apprendrez à créer des fenêtres « glissantes » qui se déplacent avec les données, ce qui permet de résumer les tendances au fil du temps, par exemple la moyenne sur plusieurs mois d’observations ou la somme sur plusieurs semaines de ventes. Des statistiques globales comme la moyenne, la médiane, la somme ou le maximum n’indiquent pas toujours comment les données évoluent dans le temps ; les fenêtres glissantes vous permettront de calculer des statistiques dynamiquement. En plus des fenêtres glissantes, vous apprendrez à créer des fenêtres cumulatives, qui montrent comment ces statistiques convergent vers leur valeur finale.

Exercise 1: Qu’est-ce qu’une fenêtre glissante ?Exercise 2: Fonctions de fenêtre roulante Exercise 3: Fenêtres glissantes versus agrégation Exercise 4: Appliquer des fonctions à des fenêtres glissantes Exercise 5: Minimum glissant Exercise 6: Application roulante avec une fonction personnalisée Exercise 7: Fenêtres cumulatives Exercise 8: Fenêtres glissantes versus fenêtres cumulatives Exercise 9: Somme cumulée (expanding)Exercise 10: Moyenne croissante Exercise 11: Félicitations !