Oggetto di serie temporale

Molte aziende raccolgono dati dipendenti dal tempo per individuare trend o variazioni stagionali. Poiché la dimensione temporale può essere irregolare, gestire dati di questo tipo può essere complicato, soprattutto in contesti stressanti come un colloquio di lavoro.

Convertire i dati in un oggetto di serie temporale facilita l'analisi di questi insiemi di dati.

L'oggetto xts accetta i seguenti argomenti:

x - un insieme di valori,
order.by - un insieme di date corrispondenti (che devono essere della classe Date).

In questo esercizio lavorerai con i prezzi del gas naturale. Il dataset contiene due variabili:

Price - valori numerici,
Date - date memorizzate come fattori.

Il dataset gas è disponibile nel tuo ambiente.

Questo esercizio fa parte del corso

Esercitarsi con le domande di statistica per i colloqui in R

Visualizza il corso

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

library(xts)

# View the structure of gas
str(___)

# Coerce to date class
gas$Date <- ___(gas$Date)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Esercitarsi con le domande di statistica per i colloqui in R

AvançadoNível de habilidade

4.7+

Inizia il corso gratis

Want to increase your odds of acing your job interview? If so, brush up on your knowledge of probability theory. In this chapter, we'll roll dice and shoot baskets to explain probabilities using real-life examples.

Exercise 1: Discrete distributions Exercise 2: Probability functions Exercise 3: Bernoulli trials Exercise 4: Binomial distribution Exercise 5: Continuous distributions Exercise 6: Uniform distribution Exercise 7: Shape of normal distribution Exercise 8: Sample from normal distribution Exercise 9: Central limit theorem Exercise 10: Law of large numbers Exercise 11: Simulating central limit theorem

If the job description appeals to you review descriptive statistics before the interview. In this chapter, you will practice exploratory data analysis (EDA) using natural gas prices and data from a survey analysis.

Exercise 1: Statistiche descrittive Exercise 2: Misure di centralità Exercise 3: Misure di variabilità Exercise 4: Dati categorici Exercise 5: Analisi di un sondaggio Exercise 6: Codifica dei dati Exercise 7: Serie temporali Exercise 8: Oggetto di serie temporale

Esercizio in corso

Exercise 9: Pulire e gestire serie temporali Exercise 10: Analisi delle Componenti Principali Exercise 11: PCA - rotazione Exercise 12: PCA - riduzione della dimensionalità

March confidently into your job interview after reviewing confidence intervals. We'll review the t-test, ANOVA, and normality tests to prepare you for statistics-based coding questions.

Exercise 1: Normality tests Exercise 2: Shapiro-Wilk test Exercise 3: Q-Q plot Exercise 4: Inference for a mean Exercise 5: Confidence interval Exercise 6: One-sample t-test Exercise 7: Comparing two means Exercise 8: Two-sample t-test Exercise 9: Paired test Exercise 10: ANOVA Exercise 11: Comparing groups Exercise 12: ANOVA for plant growth

Is your potential employer planning to test your R skills? Make sure you’re prepared and practice model evaluation beforehand. In this chapter, we will fit and evaluate linear and logistic regression models using various biomedical datasets. By the end of this chapter, you’ll be fully prepared to answer any question the interviewer throws your way!

Exercise 1: Covariance and correlation Exercise 2: Covariance by hand Exercise 3: Linear relationship Exercise 4: Nonlinear relationship Exercise 5: Linear regression model Exercise 6: Fitting linear models Exercise 7: Predicting with linear models Exercise 8: Logistic regression model Exercise 9: Fitting logistic models Exercise 10: Predicting with logistic models Exercise 11: Model evaluation Exercise 12: Validation set approach Exercise 13: Regression evaluation Exercise 14: Classification evaluation Exercise 15: Wrapping up