Weekendwedstrijden ophalen

Na het berekenen van een paar handige indicatoren uit je Red Sox-data is het tijd om een stap terug te doen en data van andere Bostonse sportteams te verkennen. Je hebt extra gegevens verzameld over de New England Patriots (football), de Boston Bruins (ijshockey) en de Boston Celtics (basketbal). De data voor deze teams zijn, samen met je redsox-data, samengevoegd tot één xts-object, sports, dat nu alle wedstrijden bevat die door sportteams uit de regio Boston zijn gespeeld van 2010 tot en met 2015.

Voordat je verdergaat met de analyse, wil je je data verfijnen tot een paar mogelijk nuttige subsets. Het kan vooral handig zijn om je uitsluitend te richten op weekend-wedstrijden van Bostonse teams.

Om wedstrijden te identificeren op basis van de dag van de week, gebruik je de opdracht .indexwday(), die je de weekdag van elke observatie in je xts-object geeft. Deze waarden lopen van 0–6, waarbij zondag gelijk is aan 0 en zaterdag aan 6.

Deze oefening maakt deel uit van de cursus

Casestudy: Tijdreeksgegevens van een stad analyseren in R

Cursus bekijken

Oefeninstructies

Oefen met de xts-indexeringsopdrachten door de weekdag van elke observatie in je sports-data op te halen met .indexwday(). Sla deze waarden op in weekday en bekijk de eerste paar rijen van dit object weekday met head().
Maak een index van weekendobservaties door which() te combineren met twee aanroepen van .indexwday(). Het doel is om alleen die datums te selecteren die op een zaterdag of een zondag vallen. Sla deze index op als weekend.
Maak een nieuw xts-object (weekend_games) met alleen wedstrijden die in een weekend vallen. Gebruik head() om de eerste paar rijen van je nieuwe object weekend_games te bekijken.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Extract the day of the week of each observation
weekday <- .indexwday(___)
head(___)

# Generate an index of weekend dates
weekend <- which(.indexwday(___) == ___ | .indexwday(___) == ___)

# Subset only weekend games
weekend_games <- sports[___]
head(___)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Casestudy: Tijdreeksgegevens van een stad analyseren in R

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

You've been hired to understand the travel needs of tourists visiting the Boston area. As your first assignment on the job, you'll practice the skills you've learned for time series data manipulation in R by exploring data on flights arriving at Boston's Logan International Airport (BOS) using xts & zoo.

Exercise 1: Review xts fundamentals Exercise 2: Identify the time series Exercise 3: Flight data Exercise 4: Pick out the xts object Exercise 5: Encoding your flight data Exercise 6: Manipulating and visualizing your data Exercise 7: Exploring your flight data Exercise 8: Visualize flight data Exercise 9: Calculate time series trends Exercise 10: Saving and exporting xts objects Exercise 11: Assessing flight trends Exercise 12: Saving time - I Exercise 13: Saving time - II

In this chapter, you'll expand your time series data library to include weather data in the Boston area. Before you can conduct any analysis, you'll need to do some data manipulation, including merging multiple xts objects and isolating certain periods of the data. It's a great opportunity for more practice!

Exercise 1: Merging time series data by row Exercise 2: Exploring temperature data Exercise 3: Next steps - I Exercise 4: Merging using rbind()Exercise 5: Visualizing Boston winters Exercise 6: Merging time series data by column Exercise 7: Subsetting and adjusting periodicity Exercise 8: Generating a monthly average Exercise 9: Using merge() and plotting over time Exercise 10: Are flight delays related to temperature?Exercise 11: Time series data workflow Exercise 12: Next steps - II Exercise 13: Expanding your data Exercise 14: Are flight delays related to visibility or wind?

Now it's time to go further afield. In addition to flight delays, your client is interested in how Boston's tourism industry is affected by economic trends. You'll need to manipulate some time series data on economic indicators, including GDP per capita and unemployment in the United States in general and Massachusetts (MA) in particular.

Exercise 1: Handling missingness Exercise 2: Exploring economic data Exercise 3: Replace missing data - I Exercise 4: Replace missing data - II Exercise 5: Estimating missing GDP Exercise 6: Lagging and differencing Exercise 7: Exploring unemployment data Exercise 8: Lagging unemployment Exercise 9: Differencing unemployment Exercise 10: Rolling functions Exercise 11: Add a discrete rolling sum to GDP data Exercise 12: Add a continuous rolling average to unemployment data Exercise 13: Manipulating MA unemployment data

Having exhausted other options, your client now believes Boston's tourism industry must be related to the success of local sports teams. In your final task on this project, your supervisor has asked you to assemble some time series data on Boston's sports teams over the past few years.

Exercise 1: Geavanceerde functies van xts Exercise 2: Coderen en plotten van Red Sox-data Exercise 3: Bereken een slotgemiddelde Exercise 4: Bereken en plot een seizoensgemiddelde Exercise 5: Bereken en plot een voortschrijdend gemiddelde Exercise 6: Indexeeropdrachten in xts Exercise 7: Weekendwedstrijden ophalen

Huidige oefening

Exercise 8: Bereken een voortschrijdend gemiddelde over alle sporten Exercise 9: Sporttrends bekijken Exercise 10: Gefeliciteerd