Ekstrak pertandingan akhir pekan

Setelah menghitung beberapa indikator berguna dari data Red Sox Anda, kini saatnya meninjau dan menelusuri data dari tim olahraga Boston lainnya. Secara khusus, Anda telah mengumpulkan data tambahan tentang New England Patriots (sepak bola Amerika), Boston Bruins (hoki es), dan Boston Celtics (bola basket). Data untuk tim-tim ini, bersama dengan data redsox Anda, telah digabungkan ke dalam satu objek xts, sports, yang kini memuat data semua pertandingan yang dimainkan oleh tim olahraga area Boston dari 2010 hingga 2015.

Sebelum melakukan analisis lebih lanjut, Anda ingin memperhalus data menjadi beberapa subset yang berpotensi bermanfaat. Secara khusus, akan membantu jika berfokus hanya pada pertandingan akhir pekan yang melibatkan tim olahraga Boston.

Untuk mengidentifikasi pertandingan berdasarkan hari dalam seminggu, Anda harus menggunakan perintah .indexwday(), yang memberi tahu hari dalam seminggu dari setiap observasi dalam objek xts Anda. Nilai ini berkisar dari 0–6, dengan Sunday sama dengan 0 dan Saturday sama dengan 6.

Latihan ini adalah bagian dari kursus

Studi Kasus: Menganalisis Data Deret Waktu Kota di R

Petunjuk latihan

Berlatih dengan perintah pengindeksan xts dengan mengekstrak hari dalam seminggu dari setiap observasi pada data sports Anda menggunakan .indexwday(). Simpan nilai ini ke weekday dan tampilkan beberapa baris pertama objek weekday tersebut menggunakan head().
Buat indeks observasi akhir pekan dengan menggabungkan perintah which() dengan dua pemanggilan .indexwday(). Tujuannya adalah mengekstrak hanya tanggal yang jatuh pada Saturday atau Sunday. Simpan indeks ini sebagai weekend.
Hasilkan objek xts baru (weekend_games) yang hanya memuat pertandingan yang jatuh pada akhir pekan. Gunakan head() untuk melihat beberapa baris pertama dari objek weekend_games baru Anda.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Extract the day of the week of each observation
weekday <- .indexwday(___)
head(___)

# Generate an index of weekend dates
weekend <- which(.indexwday(___) == ___ | .indexwday(___) == ___)

# Subset only weekend games
weekend_games <- sports[___]
head(___)

Edit dan Jalankan Kode

Latihan ini adalah bagian dari kursus

Studi Kasus: Menganalisis Data Deret Waktu Kota di R

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

You've been hired to understand the travel needs of tourists visiting the Boston area. As your first assignment on the job, you'll practice the skills you've learned for time series data manipulation in R by exploring data on flights arriving at Boston's Logan International Airport (BOS) using xts & zoo.

Exercise 1: Review xts fundamentals Exercise 2: Identify the time series Exercise 3: Flight data Exercise 4: Pick out the xts object Exercise 5: Encoding your flight data Exercise 6: Manipulating and visualizing your data Exercise 7: Exploring your flight data Exercise 8: Visualize flight data Exercise 9: Calculate time series trends Exercise 10: Saving and exporting xts objects Exercise 11: Assessing flight trends Exercise 12: Saving time - I Exercise 13: Saving time - II

In this chapter, you'll expand your time series data library to include weather data in the Boston area. Before you can conduct any analysis, you'll need to do some data manipulation, including merging multiple xts objects and isolating certain periods of the data. It's a great opportunity for more practice!

Exercise 1: Merging time series data by row Exercise 2: Exploring temperature data Exercise 3: Next steps - I Exercise 4: Merging using rbind()Exercise 5: Visualizing Boston winters Exercise 6: Merging time series data by column Exercise 7: Subsetting and adjusting periodicity Exercise 8: Generating a monthly average Exercise 9: Using merge() and plotting over time Exercise 10: Are flight delays related to temperature?Exercise 11: Time series data workflow Exercise 12: Next steps - II Exercise 13: Expanding your data Exercise 14: Are flight delays related to visibility or wind?

Now it's time to go further afield. In addition to flight delays, your client is interested in how Boston's tourism industry is affected by economic trends. You'll need to manipulate some time series data on economic indicators, including GDP per capita and unemployment in the United States in general and Massachusetts (MA) in particular.

Exercise 1: Handling missingness Exercise 2: Exploring economic data Exercise 3: Replace missing data - I Exercise 4: Replace missing data - II Exercise 5: Estimating missing GDP Exercise 6: Lagging and differencing Exercise 7: Exploring unemployment data Exercise 8: Lagging unemployment Exercise 9: Differencing unemployment Exercise 10: Rolling functions Exercise 11: Add a discrete rolling sum to GDP data Exercise 12: Add a continuous rolling average to unemployment data Exercise 13: Manipulating MA unemployment data

Having exhausted other options, your client now believes Boston's tourism industry must be related to the success of local sports teams. In your final task on this project, your supervisor has asked you to assemble some time series data on Boston's sports teams over the past few years.

Exercise 1: Fitur lanjutan xts Exercise 2: Menyandi dan memplot data Red Sox Exercise 3: Hitung rata-rata penutupan Exercise 4: Hitung dan plot rerata musiman Exercise 5: Hitung dan plot rata-rata bergulir Exercise 6: Perintah pengindeksan di xts Exercise 7: Ekstrak pertandingan akhir pekan

Latihan Saat Ini

Exercise 8: Hitung rata-rata bergulir di semua cabang olahraga Exercise 9: Melihat tren olahraga Exercise 10: Selamat