Overlappende indexen vinden

Tijdreeksen overlappen als er waarnemingen in beide reeksen zijn met dezelfde index, oftewel ze vallen op hetzelfde tijdstip.

Door een subset te maken met de operator %in%, kun je de overlappende punten uit een van de tijdreeksen filteren, zodat je de twee gegevenssets kunt combineren.

In deze oefening neem je twee tijdreeksen, coffee en coffee_overlap, en verwijder je de elementen die overlappen.

De gegevenssets coffee en coffee_overlap, evenals de pakketten zoo en lubridate, zijn al voor je beschikbaar.

Deze oefening maakt deel uit van de cursus

Tijdreeksgegevens bewerken in R

Cursus bekijken

Oefeninstructies

Gebruik de value matching-operator %in% om de indexen van coffee_overlap te bepalen die overlappen met de indexen van coffee.
Gebruik vierkante haken ([, ]) en de negatie-operator (!) om de waarden van coffee_overlap op te halen die geen deel uitmaken van overlapping_index.
Combineer de tijdreeks coffee met coffee_subset en bekijk de resulterende autoplot.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Determine the overlapping indexes
overlapping_index <-
  ___ %in% ___

# Create a subset of the elements which do not overlap
coffee_subset <- ___[___]

# Combine the coffee time series and the new subset
coffee_combined <- ___

autoplot(coffee_combined)

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!