Menemukan indeks yang tumpang tindih

Deret waktu dikatakan tumpang tindih ketika ada pengamatan pada kedua deret waktu dengan indeks yang sama, artinya terjadi pada titik waktu yang sama.

Dengan membuat subset menggunakan operator %in%, titik-titik yang tumpang tindih dapat disaring dari salah satu deret waktu, sehingga kedua himpunan data dapat digabungkan.

Dalam latihan ini, Anda akan mengambil dua deret waktu, coffee dan coffee_overlap, lalu menghapus elemen yang bertumpang tindih.

Himpunan data coffee dan coffee_overlap, serta paket zoo dan lubridate, sudah tersedia untuk Anda.

Latihan ini adalah bagian dari kursus

Memanipulasi Data Deret Waktu di R

Lihat Kursus

Petunjuk latihan

Gunakan operator pencocokan nilai %in% untuk menentukan indeks dari coffee_overlap yang bertumpang tindih dengan indeks dari coffee.
Gunakan tanda kurung siku ([, ]) dan operator negasi (!) untuk mengekstrak nilai coffee_overlap yang bukan bagian dari overlapping_index.
Gabungkan deret waktu coffee dengan coffee_subset dan lihat hasil autoplot-nya.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Determine the overlapping indexes
overlapping_index <-
  ___ %in% ___

# Create a subset of the elements which do not overlap
coffee_subset <- ___[___]

# Combine the coffee time series and the new subset
coffee_combined <- ___

autoplot(coffee_combined)

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!