Kolejne kroki – II

Analiza danych temperaturowych ujawniła kilka potencjalnych kierunków eksploracji przyczyn opóźnień i odwołań lotów. Twój klient upiera się jednak, że wzorce przylatywania samolotów do Bostonu zależą od widoczności i wiatru, a nie od temperatury. Zanim przejdziesz dalej, musisz zebrać więcej danych.

Po przeprowadzeniu szczegółowych badań znalazłeś dane dotyczące tygodniowej średniej widoczności i prędkości wiatru w rejonie Bostonu. Które z poniższych kroków podjąłbyś przed scaleniem tych danych z istniejącym miesięcznym obiektem xts flights_temps?

1. Zakoduj dane jako obiekt xts z indeksem czasowym.
2. Przekształć dane do okresowości miesięcznej za pomocą to.period(), używając pierwszej obserwacji z każdego tygodnia.
3. Upewnij się, że każdy obiekt zawiera tylko jedną kolumnę danych.
4. Przekształć dane do okresowości miesięcznej za pomocą split() i lapply(), aby wyliczyć miesięczne średnie.
5. Sprawdź okresowość i zakres czasowy obiektów xts przed użyciem merge().
6. Usuń istniejące dane temperaturowe z flights_temps przed użyciem merge().