zoo::yearqtr

Molto usato in ambito finanziario e aziendale, il concetto di "trimestri dell'anno" è importante nell'analisi delle serie temporali. Il pacchetto zoo introduce la classe yearqtr, che memorizza sia l'anno sia il trimestre di una data.

In questo esercizio lavorerai con dati di vendite trimestrali, quarterly_data, e con un indice di date delle osservazioni, date_index_quarter, con ogni osservazione che avviene ogni trimestre (ogni tre mesi).

Questi insiemi di dati, così come i pacchetti ggplot2, zoo e lubridate, sono già a tua disposizione.

Questo esercizio fa parte del corso

Manipolare dati di serie temporali in R

Visualizza il corso

Istruzioni dell'esercizio

Crea un indice, index_yearqtr, convertendo il vettore date_index_quarter nella classe yearqtr.
Crea quarterly_sales, un oggetto zoo basato sui dati in quarterly_data e sull'indice che hai creato, index_yearqtr.
Aggiungi l'etichetta dell'asse x "Quarter", l'etichetta dell'asse y "Quarterly Sum ($100k)" e il titolo "Quarterly Sales Report".

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Create a year-quarter index
___

# Create the quarterly_sales zoo object
___

# Autoplot with axis labels and a title
___

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!