Imputatiemethoden

De juiste imputatiemethode kiezen hangt sterk af van het soort data dat je hebt; niet alle methoden leveren overal zinvolle resultaten op!

In deze oefening categoriseer je de drie verschillende imputatiemethoden die in de videoles zijn besproken in de categorie die daar het beste bij past.

Deze oefening maakt deel uit van de cursus

Tijdreeksgegevens bewerken in R

Bekijk cursus

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Begin oefening

Deze oefening maakt deel uit van de cursus

Tijdreeksgegevens bewerken in R

SkillTag.level.intermediateSkillTag.label

4.8+

283 reviews

Begin gratis met de cursus

Je leert de basis van wat een tijdreeks is, hoe je samenvattende statistieken uit een tijdreeks haalt, en hoe je een tijdreeksplot visueel interpreteert als onderdeel van de verkenningsstap van je analyse. Je behandelt ook hoe je datum- en tijdinformatie binnen R-objecten beheert en manieren om consistente opmaak voor datums toe te passen.

Exercise 1: Wat is tijdreeksdata?Exercise 2: Tijdreeksen plotten met autoplot Exercise 3: Samenvatting van tijdreeks Exercise 4: Tijdreeksplots interpreteren Exercise 5: Temporele dataklassen in R Exercise 6: De klasse bepalen Exercise 7: is-dot-functies Exercise 8: as_date van lubridate Exercise 9: Datums opmaken in R Exercise 10: Conversiespecificaties Exercise 11: Datums parsen en opmaken

Hier leer je belangrijke kenmerken van tijdreeksinformatie ophalen, zoals het tijdsbereik van de gegevens en hoe vaak er is bemonsterd, om je gegevens beter te begrijpen. Je maakt ook kennis met het pakket zoo, dat tools en functies bevat voor het maken en bewerken van tijdreeksobjecten. Veel data-science-toepassingen in R gebruiken het data frame-paradigma; je leert hoe je kunt converteren tussen een data frame en een tijdreeks.

Exercise 1: Attributen van tijdreeksen Exercise 2: Temporale attributen en decimale datums Exercise 3: Tijdelijke attributen vergelijken Exercise 4: Tijdreeksobjecten met het pakket zoo Exercise 5: Een zoo-object maken Exercise 6: zoo en ggplot2 Exercise 7: Zoo-objecten bewerken Exercise 8: Indices bijwerken en vervangen Exercise 9: Overlappende indexen vinden Exercise 10: Converteren tussen zoo en data frame Exercise 11: Wisselen tussen data.frame en zoo

Je leert hoe je een venster uit een tijdreeks kunt subsetten om je te richten op een specifieke periode. Je ziet dat bij werken met tijdreeksgegevens uit de praktijk de tijdsspanne van je gegevensset meer kan bevatten dan je nodig hebt, wat je visualisaties kan vertroebelen. Je bemonstert tijdreeksgegevens op verschillende frequenties, zoals elke minuut, uur, maand of jaar. Door je gegevens te aggregeren, leer je de algemene trends in de gegevens te zien met het pakket xts. Je leert ook methoden om je gegevens te ‘imputeren’ — ontbrekende waarden opvullen met een constante, LOCF of lineaire interpolatie.

Exercise 1: Een venster met observaties subsetten Exercise 2: Een venster selecteren uit een tijdreeks Exercise 3: Een observatie zoeken op een specifieke datum Exercise 4: Logische expressies en subsets Exercise 5: Maand- en kwartaalgegevens Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Herschikken en aggregeren van waarnemingen Exercise 9: Gegevens aggregeren Exercise 10: Aangepast aggregatieniveau Exercise 11: Een geaggregeerde tijdreeks plotten met ggplot2 Exercise 12: Ontbrekende waarden imputeren Exercise 13: Imputatiemethoden

Huidige oefening

Exercise 14: Constante vulling Exercise 15: Last observation carried forward (LOCF)Exercise 16: Lineaire interpolatie

Je leert ‘rollende’ vensters van een tijdreeks te maken die meebewegen met de gegevens, zodat je trends in de tijd kunt samenvatten, zoals het gemiddelde over opeenvolgende maanden met observaties of de som over meerdere weken aan verkopen. Algemene samenvattende statistieken, zoals gemiddelde, mediaan, som, maximum enzovoort, geven niet altijd inzicht in hoe gegevens in de tijd veranderen, en rollende vensters laten je statistieken dynamisch berekenen. Naast rollende vensters leer je ook hoe je uitbreidende vensters maakt, die laten zien hoe deze samenvattende statistieken hun uiteindelijke waarde benaderen.

Exercise 1: Wat is een rollend venster?Exercise 2: Functies voor rolling windows Exercise 3: Rolling windows versus aggregatie Exercise 4: Functies toepassen op rolling windows Exercise 5: Rollend minimum Exercise 6: Rolling apply met een aangepaste functie Exercise 7: Expanderende vensters Exercise 8: Rolling versus expanding windows Exercise 9: Uitbreidende som Exercise 10: Expanderend gemiddelde Exercise 11: Gefeliciteerd!