Aan de slagGa gratis aan de slag

Bostonse winters visualiseren

In het vorige hoofdstuk ontdekte je dat een veel hoger percentage vluchten in Boston in de winter vertraagd of geannuleerd is. Het lijkt logisch dat temperatuur hier een belangrijke rol speelt. Misschien hangen lagere temperaturen samen met een hoger percentage vertragingen of annuleringen?

In deze oefening toets je hoe plausibel die hypothese is door temperatuurtrends in de tijd te plotten en een visueel overzicht van Bostonse winters te maken.

Deze oefening maakt deel uit van de cursus

Casestudy: Tijdreeksgegevens van een stad analyseren in R

Cursus bekijken

Oefeninstructies

  • Controleer vóór het plotten de periodiciteit en duur van je gegevens met periodicity(). Als je de periodiciteit kent, kun je je gegevens beter interpreteren en dat is handig voor de rest van de oefening.
  • Gebruik plot.xts() om een plot te maken van de gemiddelde temperatuur in Boston (temps_xts$mean) over de volledige periode van je gegevens.
  • Maak nog een plot van de gemiddelde temperatuur in Boston van november 2010 tot en met april 2011 (inclusief).
  • Gebruik plot.zoo() om je laatste plot te herhalen maar dan met de andere kolommen in je gegevens erbij (in dit geval de minimale min en maximale max temperatuur). Geef plot.type op als "single" om alle drie de lijnen in hetzelfde paneel op te nemen. Wijzig het voorgeschreven lty-argument niet.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Identify the periodicity of temps_xts


# Generate a plot of mean Boston temperature for the duration of your data
plot.xts(___)

# Generate a plot of mean Boston temperature from November 2010 through April 2011
plot.xts(___["___/___"])

# Use plot.zoo to generate a single plot showing mean, max, and min temperatures during the same period 
plot.zoo(___["___/___"], plot.type = "___", lty = lty)
Code bewerken en uitvoeren