Ekspresi logis dan subset

Ekspresi logis yang menggunakan operator dan (&), atau (|), tidak (!), dan sebagainya merupakan alat yang kuat saat membuat penyaring yang lebih rumit berdasarkan kriteria tertentu.

Dalam latihan ini, Anda akan menggabungkan beberapa 'operator relasional' – sama dengan (==), lebih kecil dari (<), lebih besar sama dengan (>=), dan lain-lain – untuk menulis sebuah ekspresi yang menentukan apakah indeks himpunan data maunaloa berada dalam rentang tertentu. Anda kemudian akan menggunakan ekspresi tersebut untuk mengekstrak observasi maunaloa dalam rentang itu.

Latihan ini adalah bagian dari kursus

Memanipulasi Data Deret Waktu di R

Lihat Kursus

Petunjuk latihan

Tulis sebuah ekspresi logis untuk memeriksa apakah indeks maunaloa lebih besar sama dengan 1990 dan apakah indeks tersebut lebih kecil sama dengan 2010; tetapkan hasilnya ke subset.
Gunakan tanda kurung siku ([ dan ]) untuk mengekstrak nilai dari maunaloa yang sesuai dengan ekspresi yang didefinisikan di subset dan tetapkan hasilnya ke maunaloa_subset.
Hasilkan autoplot dari maunaloa_subset.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Complete the logical expression
subset <- ___ &
          ___

# Extract the subset of maunaloa
___ <- ___

# Autoplot the subsetted maunaloa dataset
___

Edit dan Jalankan Kode

Memanipulasi Data Deret Waktu di R

SkillTag.level.intermediateSkillTag.label

4.9+

244 reviews

You’ll learn to create “rolling” windows of a time series that move, or "roll" along with data, making it possible to summarize trends in the data across time, such as the average over success months of observations or the sum over several weeks of sales. Overall summary statistics, like mean, median, sum, maximum, and so on, do not always provide insight into how data changes over time, and rolling windows will allow you to compute statistics dynamically. In addition to rolling windows, you will also learn how to create expanding windows, which show how these summary statistics approach their final value.

Exercise 1: What is a rolling window?Exercise 2: Rolling window functions Exercise 3: Rolling windows versus aggregation Exercise 4: Applying functions to rolling windows Exercise 5: Rolling minimum Exercise 6: Rolling apply with a custom function Exercise 7: Expanding windows Exercise 8: Rolling versus expanding windows Exercise 9: Expanding sum Exercise 10: Expanding mean Exercise 11: Congratulations!