1. Nauka
  2. /
  3. Kursy
  4. /
  5. Prognozowanie w R

Connected

ćwiczenie

Wykresy sezonowe

Oprócz wykresów czasowych istnieją inne przydatne sposoby wizualizacji danych, które pozwalają uwypuklić wzorce sezonowe i pokazać, jak zmieniają się one w czasie.

  • Wykres sezonowy jest podobny do wykresu czasowego, z tą różnicą, że dane są przedstawiane według poszczególnych „sezonów", w których zostały zaobserwowane. Możesz go utworzyć za pomocą funkcji ggseasonplot(), tak samo jak używasz autoplot().
  • Ciekawą odmianą wykresu sezonowego jest wersja we współrzędnych biegunowych, gdzie oś czasu jest okrągła, a nie pozioma. Aby ją uzyskać, wystarczy dodać argument polar i ustawić go na TRUE.
  • Wykres podsezonowy składa się z miniaturowych wykresów czasowych dla każdego sezonu. Dla każdego sezonu zaznaczona jest niebieską poziomą linią średnia wartość.

Jednym ze sposobów podziału szeregu czasowego jest funkcja window(), która wyodrębnia podzbiór obiektu x obserwowany między momentami start i end.

> window(x, start = NULL, end = NULL)

W tym ćwiczeniu wczytasz pakiet fpp2 i skorzystasz z dwóch jego zbiorów danych:

  • a10 zawiera miesięczne wolumeny sprzedaży leków przeciwcukrzycowych w Australii. Czy na wykresach widzisz, który miesiąc ma najwyższy wolumen sprzedaży w każdym roku? Co jest niezwykłego w wynikach z marca i kwietnia 2008 r.?
  • ausbeer zawiera kwartalne dane o produkcji piwa w Australii. Co dzieje się z produkcją piwa w czwartym kwartale?

Te przykłady pomogą ci zwizualizować omawiane wykresy i zrozumieć, do czego mogą być przydatne.

Instrukcje

100 XP
  • Użyj funkcji library(), aby wczytać pakiet fpp2.
  • Użyj funkcji autoplot() i ggseasonplot(), aby utworzyć wykresy dla danych a10.
  • Użyj funkcji ggseasonplot() z argumentem polar, aby utworzyć wykres we współrzędnych biegunowych dla danych a10.
  • Użyj funkcji window(), aby wybrać z danych ausbeer tylko obserwacje począwszy od 1992 roku.
  • Na koniec użyj funkcji autoplot() i ggsubseriesplot(), aby utworzyć wykresy dla szeregu beer.