Sporttrends bekijken

Nu je je sportgegevens op verschillende manieren hebt bewerkt en gefilterd, is het tijd om even afstand te nemen en wat trends in de data te bekijken. De grafiek rechts laat de cumulatieve win/loss-gemiddelden zien van de Boston Red Sox in het MLB-seizoen 2015 en de Boston Bruins in het NHL-seizoen 2015-2016.

Welk team had aan het einde van hun respectieve seizoen het hoogste win/loss-gemiddelde?

Twee xts-objecten, redsox_2015 en bruins_2015, zijn beschikbaar in je werkruimte. Deze objecten bevatten de datums van elke gespeelde wedstrijd in elk seizoen, samen met het cumulatieve win/loss-gemiddelde na elke wedstrijd (opgeslagen in de win_loss-kolom van elk object). Je kunt deze objecten verkennen met commando’s zoals summary(), structure(), periodicity(), head() of tail(), of door te subselecteren.

Deze oefening maakt deel uit van de cursus

Casestudy: Tijdreeksgegevens van een stad analyseren in R

Cursus bekijken

Praktische interactieve oefening

Zet theorie om in actie met een van onze interactieve oefeningen.

Begin met trainen

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

Huidige oefening

Exercise 10: Gefeliciteerd