Hangen vertragingen van vluchten samen met zicht of wind?

Goed gedaan! Je hebt zonder moeite nieuwe gegevens aan je xts-object toegevoegd. Het gaat elke keer makkelijker!

De grafiek rechts laat het resultaat van je werk zien: het percentage vertraagde vluchten (dat je in het vorige hoofdstuk hebt berekend), de gemiddelde windsnelheid in Boston en het gemiddelde zicht, allemaal maandelijks van 2010 tot en met 2015.

Na het bewerken en verkennen van de data is het tijd om terug te koppelen aan je opdrachtgever. Welke van de volgende conclusies zou je uit deze grafiek trekken?

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: Tijdreeksgegevens samenvoegen per rij Exercise 2: Temperatuurdata verkennen Exercise 3: Volgende stappen - I Exercise 4: Samenvoegen met rbind()Exercise 5: Bostonse winters visualiseren Exercise 6: Tijdreeksgegevens samenvoegen per kolom Exercise 7: Subsetten en periodiciteit aanpassen Exercise 8: Een maandelijks gemiddelde genereren Exercise 9: merge() gebruiken en over de tijd plotten Exercise 10: Hangen vluchtvertragingen samen met temperatuur?Exercise 11: Workflow voor tijdreeksgegevens Exercise 12: Volgende stappen - II Exercise 13: Je data uitbreiden Exercise 14: Hangen vertragingen van vluchten samen met zicht of wind?

Huidige oefening

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: Advanced features of xts Exercise 2: Encoding and plotting Red Sox data Exercise 3: Calculate a closing average Exercise 4: Calculate and plot a seasonal average Exercise 5: Calculate and plot a rolling average Exercise 6: Indexing commands in xts Exercise 7: Extract weekend games Exercise 8: Calculate a rolling average across all sports Exercise 9: Viewing sports trends Exercise 10: Congratulations