Berpindah antara data.frame dan zoo

Saat bekerja dengan data deret waktu dunia nyata, Anda sering mengimpor data dari spreadsheet dan data bertabel—data yang diformat seperti data frame. Dengan mengonversi data Anda menjadi objek zoo, Anda akan lebih siap untuk melakukan analisis deret waktu!

Demikian pula, mengonversi deret waktu menjadi data frame memungkinkan Anda memanipulasi dan mengekspor data dalam format yang banyak didukung oleh perangkat lunak dan bahasa pemrograman di luar R.

Deret waktu card_prices—deret waktu untuk harga harian rata-rata tiga kartu dagang—serta paket lubridate, zoo, dan ggplot2 telah dimuat untuk Anda.

Latihan ini adalah bagian dari kursus

Memanipulasi Data Deret Waktu di R

Lihat Kursus

Petunjuk latihan

Ubah objek zoo card_prices menjadi data frame (fortify) dan tetapkan ke cards_df.
Jumlahkan tiga kolom harga pada cards_df, lalu tetapkan hasilnya ke kolom baru, cards_df$total_price.
Buat deret waktu baru, total_price_zoo, dari kolom Index dan total_price pada cards_df.
Autoplot total_price_zoo.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Fortify to data frame: cards_df
___ <- ___

# Add together the three price columns from cards_df
___ <- ___ + ___ + ___

# Create the total_price_zoo time series
___ <- ___

# Generate an autoplot of the new time series
___

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!