Een zoo-object maken

zoo-objecten zijn een onmisbaar hulpmiddel voor tijdreeksanalyse; veel geavanceerde functies in tijdreeksanalyse werken met tijdreeksobjecten. Een zoo-object maken uit een vector of data frame is de eerste stap om je gegevens klaar te maken voor een tijdreeksanalyse!

In deze oefening maak en visualiseer je een tijdreeks van de gemiddelde prijs van een bepaalde kaart uit een populair ruilkaartspel.

Je gebruikt de kerngegevens in de vector cards_price, samen met de indexvector cards_index, die de datum bevat waarop elke prijs is gemeten.

cards_index, cards_price en de pakketten zoo en ggplot2 zijn beschikbaar om te gebruiken.

Deze oefening maakt deel uit van de cursus

Tijdreeksgegevens bewerken in R

Cursus bekijken

Oefeninstructies

Geef de head, ofwel de eerste zes observaties, van cards_index terug.
Geef de head, ofwel de eerste zes observaties, van cards_price terug.
Maak een zoo-object van je index- en kerngegevensvectoren en wijs dit toe aan cards_zoo.
Genereer een autoplot van cards_zoo.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Return the head of cards_index
___

# Return the head of cards_price
___

# Create a zoo object: cards_zoo
___ <- ___(x = ___, order.by = ___)

# Autoplot cards_zoo
___

Code bewerken en uitvoeren

Tijdreeksgegevens bewerken in R

SkillTag.level.intermediateSkillTag.label

4.9+

244 reviews

You’ll learn to create “rolling” windows of a time series that move, or "roll" along with data, making it possible to summarize trends in the data across time, such as the average over success months of observations or the sum over several weeks of sales. Overall summary statistics, like mean, median, sum, maximum, and so on, do not always provide insight into how data changes over time, and rolling windows will allow you to compute statistics dynamically. In addition to rolling windows, you will also learn how to create expanding windows, which show how these summary statistics approach their final value.

Exercise 1: What is a rolling window?Exercise 2: Rolling window functions Exercise 3: Rolling windows versus aggregation Exercise 4: Applying functions to rolling windows Exercise 5: Rolling minimum Exercise 6: Rolling apply with a custom function Exercise 7: Expanding windows Exercise 8: Rolling versus expanding windows Exercise 9: Expanding sum Exercise 10: Expanding mean Exercise 11: Congratulations!