Tingkat agregasi kustom

Fungsi apply.*() dari xts memudahkan proses agregasi dan sering kali menjadi pilihan terbaik untuk digunakan, namun terkadang Anda memerlukan kendali lebih atas tingkat agregasi pada data Anda.

Dalam latihan ini, Anda akan membuat tingkat agregasi kustom dari hourly_temperature menggunakan xts.

hourly_temperature, xts, dan ggplot2 sudah dimuat untuk Anda.

Latihan ini merupakan bagian dari kursus

Memanipulasi Data Deret Waktu di R

Lihat Kursus

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Create the index from every third day.
___ <- ___

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Memanipulasi Data Deret Waktu di R

SkillTag.level.intermediateSkillTag.label

4.8+

283 reviews

Mulai Kursus Gratis

Anda akan mempelajari dasar-dasar tentang apa yang dimaksud dengan deret waktu, cara memperoleh statistik ringkas dari data dalam deret waktu, serta cara menginterpretasikan plot deret waktu secara visual sebagai bagian dari langkah eksplorasi analisis Anda. Anda juga akan mempelajari cara mengelola informasi tanggal dan waktu dalam objek R serta cara menerapkan format tanggal yang konsisten.

Exercise 1: Apa itu data deret waktu?Exercise 2: Memplot deret waktu dengan autoplot Exercise 3: Ringkasan deret waktu Exercise 4: Menafsirkan plot deret waktu Exercise 5: Kelas data temporal di R Exercise 6: Menentukan kelas Exercise 7: Fungsi is-dot Exercise 8: as_date milik lubridate Exercise 9: Memformat tanggal di R Exercise 10: Spesifikasi konversi Exercise 11: Mengurai dan memformat tanggal

Di sini, Anda akan mempelajari cara memperoleh atribut kunci dari informasi deret waktu, seperti rentang waktu data dan seberapa sering data diambil sampelnya, untuk memahami data Anda dengan lebih baik. Anda juga akan diperkenalkan dengan paket zoo, yang berisi alat dan fungsi untuk membuat dan memanipulasi objek deret waktu. Banyak aplikasi data science di R menggunakan paradigma data frame; Anda akan mempelajari cara melakukan konversi antara data frame dan deret waktu.

Exercise 1: Atribut deret waktu Exercise 2: Atribut temporal dan tanggal desimal Exercise 3: Membandingkan atribut temporal Exercise 4: Objek deret waktu dengan paket zoo Exercise 5: Membuat sebuah zoo Exercise 6: zoo dan ggplot2 Exercise 7: Memanipulasi objek zoo Exercise 8: Memperbarui dan mengganti indeks Exercise 9: Menemukan indeks yang tumpang tindih Exercise 10: Konversi antara zoo dan data frame Exercise 11: Berpindah antara data.frame dan zoo

Anda akan mempelajari cara mengambil subset jendela dari deret waktu untuk berfokus pada periode tertentu yang diminati. Anda akan melihat bahwa saat bekerja dengan data deret waktu dunia nyata, rentang waktu himpunan data Anda mungkin mencakup lebih banyak informasi daripada yang Anda perlukan, yang dapat membuat visualisasi menjadi semrawut. Anda akan melakukan sampling data deret waktu pada berbagai laju, seperti setiap menit, jam, bulan, atau tahun. Lebih jauh, dengan mengagregasikan data Anda, Anda akan mempelajari cara melihat tren keseluruhan dalam data menggunakan paket xts. Anda juga akan mempelajari metode "imputasi" data—mengisi nilai yang hilang dengan isian konstan, LOCF, atau interpolasi linear.

Exercise 1: Membuat subset jendela observasi Exercise 2: Memilih sebuah jendela dari deret waktu Exercise 3: Menemukan observasi dari tanggal tertentu Exercise 4: Ekspresi logis dan subset Exercise 5: Data bulanan dan triwulanan Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Resampling dan mengagregasi observasi Exercise 9: Mengagregasi data Exercise 10: Tingkat agregasi kustom

Latihan Saat Ini

Exercise 11: Memplot deret waktu teragregasi dengan ggplot2 Exercise 12: Mengimputasi nilai yang hilang Exercise 13: Metode imputasi Exercise 14: Isian Konstan Exercise 15: Last observation carried forward (LOCF)Exercise 16: Interpolasi linear

Anda akan mempelajari cara membuat jendela "rolling" dari deret waktu yang bergerak, atau "bergulir" mengikuti data, sehingga memungkinkan Anda merangkum tren data lintas waktu, seperti rata-rata selama beberapa bulan pengamatan atau jumlah selama beberapa minggu penjualan. Statistik ringkas keseluruhan, seperti mean, median, jumlah, maksimum, dan seterusnya, tidak selalu memberikan wawasan tentang bagaimana data berubah seiring waktu, dan jendela rolling memungkinkan Anda menghitung statistik secara dinamis. Selain jendela rolling, Anda juga akan mempelajari cara membuat jendela expanding, yang menunjukkan bagaimana statistik ringkas tersebut mendekati nilai akhirnya.

Exercise 1: Apa itu rolling window?Exercise 2: Fungsi rolling window Exercise 3: Rolling windows versus agregasi Exercise 4: Menerapkan fungsi pada rolling window Exercise 5: Minimum bergulir Exercise 6: Rolling apply dengan fungsi kustom Exercise 7: Expanding windows Exercise 8: Rolling versus expanding windows Exercise 9: Jumlah mengembang Exercise 10: Rata-rata expanding Exercise 11: Selamat!