merge() gebruiken en over de tijd plotten

Nu je temperatuurdata hebt voor dezelfde periode (2010–2015) en op dezelfde frequentie (maandelijks) als je vluchtendata, ben je klaar om te mergen.

Om xts-objecten per kolom samen te voegen, kun je merge() gebruiken. Wanneer twee xts-objecten dezelfde periodiciteit hebben, kan merge() de informatie meestal in de juiste rijen combineren. Ook als xts-objecten niet dezelfde periodiciteit hebben, bewaart merge() de juiste tijdsvolgorde van die objecten over verschillende perioden heen.

In deze oefening voeg je je twee xts-objecten per kolom samen en maak je nieuwe grafieken om te onderzoeken hoe vertragingen in vluchten samenhangen met temperatuur. temps_monthly en flights_xts zijn beschikbaar in je werkruimte.

Deze oefening maakt deel uit van de cursus

Casestudy: Tijdreeksgegevens van een stad analyseren in R

Cursus bekijken

Oefeninstructies

Gebruik merge() om flights_xts en temps_monthly te combineren. Omdat deze xts-objecten dezelfde periodiciteit hebben, moet je merge-opdracht de temperatuurdata in de juiste rij in je flights_xts-object plaatsen. Let op dat de volgorde waarin je de objecten voor samenvoegen opgeeft, bepaalt waar de kolommen in het samengevoegde object komen te staan. Plaats voor consistentie eerst flights_xts en daarna temps_monthly.
Bekijk de eerste paar rijen van je samengevoegde xts-object (flights_temps) om te bevestigen dat het samenvoegen is gelukt. Je zou de temperatuurdata moeten zien uitgelijnd met de vluchtendata.
Gebruik plot.zoo() om één grafiek te maken met zowel de kolom pct_delay als temps_monthly uit flights_temps. Vergeet niet de relevante kolommen te selecteren en plot.type als "single" in te stellen. Laat het argument lty ongewijzigd.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Use merge to combine your flights and temperature objects
flights_temps <- merge(___, ___)

# Examine the first few rows of your combined xts object


# Use plot.zoo to plot these two columns in a single panel
plot.zoo(___[,c("___", "___")], plot.type = "___", lty = lty)
legend("topright", lty = lty, legend = labels, bg = "white")

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: 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

Huidige oefening

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?

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