Riempimento costante

Il riempimento costante è un metodo utile di imputazione quando i valori mancanti NA in un insieme di dati possono essere considerati pari a un certo valore. A volte, durante il trasferimento dei dati tra piattaforme e software diversi, alcuni valori possono andare “persi” o essere contrassegnati come NA per errore. Con l’imputazione a riempimento costante puoi sostituire questi valori mancanti con un valore predefinito.

In questo esercizio, imputerai i valori mancanti della serie temporale car_sales, che rappresenta le vendite giornaliere di auto per un dipendente di una concessionaria.

Questo esercizio fa parte del corso

Manipolare dati di serie temporali in R

Visualizza il corso

Istruzioni dell'esercizio

Determina il numero totale di valori NA nella serie temporale car_sales.
Usa l’imputazione a riempimento costante per sostituire i valori mancanti di car_sales con 0; assegna il risultato alla variabile car_sales_filled.
Esegui l’autoplot della serie temporale car_sales_filled.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Add together the number of NA values
___

# Fill in missing values with zero
___ <- ___

# Autoplot the filled time series
autoplot(___) + 
  labs(y = "Daily Car Sales") + 
  theme_light()

Modifica ed esegui il codice

Manipolare dati di serie temporali in R

IntermediárioNível de habilidade

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!