Metodi di imputazione

Scegliere il metodo di imputazione corretto dipende molto dal tipo di dati che hai; non tutti i metodi danno risultati significativi in ogni situazione!

In questo esercizio, classificherai i tre diversi metodi di imputazione presentati nella lezione video nella categoria che meglio li descrive.

Questo esercizio fa parte del corso

Manipolare dati di serie temporali in R

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

Manipolare dati di serie temporali in R

IntermediárioNível de habilidade

4.8+

283 reviews

Inizia il corso gratuitamente

Imparerai le basi di cosa rappresenta una serie temporale, come ottenere statistiche riassuntive sui dati in una serie temporale e come interpretare visivamente un grafico di serie temporali come parte della fase di esplorazione della tua analisi. Vedrai anche come gestire informazioni di data e ora all'interno degli oggetti R e come applicare una formattazione coerente alle date.

Exercise 1: Che cos'è una serie temporale?Exercise 2: Rappresentare serie temporali con autoplot Exercise 3: Riepilogo della serie temporale Exercise 4: Interpretare i grafici delle serie temporali Exercise 5: Classi di dati temporali in R Exercise 6: Individuare la classe Exercise 7: Funzioni is-dot Exercise 8: as_date di lubridate Exercise 9: Formattare le date in R Exercise 10: Specifiche di conversione Exercise 11: Analisi e formattazione delle date

Qui imparerai a recuperare gli attributi chiave delle informazioni di una serie temporale, come l'intervallo temporale dei dati e la frequenza di campionamento, per comprendere meglio i tuoi dati. Ti verrà inoltre presentato il pacchetto zoo, che contiene strumenti e funzioni per creare e manipolare oggetti di serie temporali. Molte applicazioni di data science in R usano il paradigma del data frame; imparerai come convertire tra un data frame e una serie temporale.

Exercise 1: Attributi delle serie temporali Exercise 2: Attributi temporali e date decimali Exercise 3: Confrontare gli attributi temporali Exercise 4: Oggetti di serie temporali con il pacchetto zoo Exercise 5: Creare uno zoo Exercise 6: zoo e ggplot2 Exercise 7: Manipolare gli oggetti zoo Exercise 8: Aggiornare e sostituire gli indici Exercise 9: Trovare indici sovrapposti Exercise 10: Conversione tra zoo e data frame Exercise 11: Passare tra data.frame e zoo

Vedrai come estrarre una finestra da una serie temporale per concentrarti su un determinato periodo di interesse. Noterai che, lavorando con serie temporali reali, l'arco temporale del tuo insieme di dati può coprire più informazioni del necessario, appesantendo le visualizzazioni. Campionerai i dati della serie temporale a varie frequenze, ad esempio ogni minuto, ora, mese o anno. Inoltre, aggregando i dati, imparerai a cogliere le tendenze generali utilizzando il pacchetto xts. Imparerai anche metodi di "imputazione" dei dati, ovvero come colmare i valori mancanti con riempimento costante, LOCF o l'interpolazione lineare.

Exercise 1: Sottoinsiemi di una finestra di osservazioni Exercise 2: Selezionare una finestra da una serie temporale Exercise 3: Trovare un'osservazione da una data specifica Exercise 4: Espressioni logiche e sottoinsiemi Exercise 5: Dati mensili e trimestrali Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Ricampionare e aggregare le osservazioni Exercise 9: Aggregazione dei dati Exercise 10: Livello di aggregazione personalizzato Exercise 11: Rappresentare una serie temporale aggregata con ggplot2 Exercise 12: Imputare i valori mancanti Exercise 13: Metodi di imputazione

Esercizio attuale

Exercise 14: Riempimento costante Exercise 15: Last observation carried forward (LOCF)Exercise 16: Interpolazione lineare

Imparerai a creare finestre “mobili” di una serie temporale che si spostano, o "rotolano", insieme ai dati, rendendo possibile riassumere le tendenze nel tempo, come la media su più mesi di osservazioni o la somma su diverse settimane di vendite. Le statistiche riassuntive globali, come media, mediana, somma, massimo e così via, non sempre mostrano come i dati cambiano nel tempo; le finestre mobili ti permetteranno di calcolare statistiche in modo dinamico. Oltre alle finestre mobili, imparerai anche a creare finestre espanse, che mostrano come queste statistiche riassuntive si avvicinano al loro valore finale.

Exercise 1: Che cos'è una rolling window?Exercise 2: Funzioni con finestre mobili Exercise 3: Finestre mobili vs aggregazione Exercise 4: Applicare funzioni alle finestre mobili Exercise 5: Minimo mobile Exercise 6: Applicazione rolling con una funzione personalizzata Exercise 7: Finestre in espansione Exercise 8: Finestre scorrevoli vs. finestre espandenti Exercise 9: Somma espandente Exercise 10: Media espandente Exercise 11: Congratulazioni!