Uzupełnianie stałą wartością

Uzupełnianie stałą wartością to przydatna metoda imputacji, gdy brakujące wartości NA w zbiorze danych można z dużym prawdopodobieństwem zastąpić konkretną wartością. Podczas przenoszenia danych między różnymi platformami i programami pewne wartości mogą zostać „utracone" lub błędnie oznaczone jako NA. Imputacja stałą wartością pozwala zastąpić takie braki wartością domyślną.

W tym ćwiczeniu uzupełnisz brakujące wartości w szeregu czasowym car_sales, który przedstawia dzienną sprzedaż samochodów przez pracownika salonu.

To ćwiczenie jest częścią kursu

Manipulowanie danymi szeregów czasowych w R

Instrukcje do ćwiczenia

Wyznacz łączną liczbę wartości NA w szeregu czasowym car_sales.
Użyj imputacji stałą wartością, aby wypełnić brakujące dane w car_sales wartością 0, i przypisz wynik do zmiennej car_sales_filled.
Zwizualizuj szereg czasowy car_sales_filled za pomocą funkcji autoplot.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Add together the number of NA values
___

# Fill in missing values with zero
___ <- ___

# Autoplot the filled time series
autoplot(___) + 
  labs(y = "Daily Car Sales") + 
  theme_light()

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Manipulowanie danymi szeregów czasowych w R

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

Poznasz podstawy szeregów czasowych – czym są i jak je reprezentować. Nauczysz się obliczać statystyki opisowe oraz wizualnie interpretować wykresy szeregów czasowych w ramach wstępnej analizy danych. Omówimy też zarządzanie informacjami o datach i godzinach w obiektach R oraz sposoby stosowania spójnego formatowania dat.

Exercise 1: Czym są dane szeregów czasowych?Exercise 2: Wizualizacja szeregów czasowych za pomocą autoplot Exercise 3: Podsumowanie szeregu czasowego Exercise 4: Interpretowanie wykresów szeregów czasowych Exercise 5: Klasy danych czasowych w R Exercise 6: Sprawdzanie klasy obiektu Exercise 7: Funkcje is-dot Exercise 8: Funkcja as_date() z lubridate Exercise 9: Formatowanie dat w R Exercise 10: Specyfikacje konwersji Exercise 11: Parsowanie i formatowanie dat

Nauczysz się pobierać kluczowe atrybuty szeregów czasowych, takie jak zakres czasowy danych i częstotliwość próbkowania, co pozwoli ci lepiej zrozumieć swoje dane. Poznasz pakiet zoo, który zawiera narzędzia i funkcje do tworzenia oraz manipulowania obiektami szeregów czasowych. Ponieważ wiele zastosowań nauki o danych w R opiera się na ramkach danych, dowiesz się również, jak konwertować dane między ramką danych a szeregiem czasowym.

Exercise 1: Atrybuty szeregów czasowych Exercise 2: Atrybuty czasowe i daty dziesiętne Exercise 3: Porównywanie atrybutów czasowych Exercise 4: Obiekty szeregów czasowych z pakietem zoo Exercise 5: Tworzenie obiektu zoo Exercise 6: zoo i ggplot2 Exercise 7: Manipulowanie obiektami zoo Exercise 8: Aktualizowanie i zastępowanie indeksów Exercise 9: Wyszukiwanie nakładających się indeksów Exercise 10: Konwersja między zoo a ramką danych Exercise 11: Przechodzenie między data.frame a zoo

Dowiesz się, jak wycinać okno z szeregu czasowego, aby skupić się na wybranym przedziale czasu. Zobaczysz, że pracując z rzeczywistymi danymi, zakres czasowy zbioru danych może zawierać więcej informacji, niż potrzebujesz – co utrudnia czytelność wizualizacji. Nauczysz się próbkować dane szeregów czasowych z różną częstotliwością: co minutę, godzinę, miesiąc lub rok. Dzięki agregacji danych i pakietowi xts zobaczysz ogólne trendy w danych. Poznasz też metody uzupełniania brakujących wartości – stałym wypełnieniem, metodą LOCF oraz interpolacją liniową.

Exercise 1: Wybieranie okna obserwacji Exercise 2: Wybieranie okna z szeregu czasowego Exercise 3: Znajdowanie obserwacji z konkretnej daty Exercise 4: Wyrażenia logiczne i podzbiory Exercise 5: Dane miesięczne i kwartalne Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Próbkowanie i agregowanie obserwacji Exercise 9: Agregowanie danych Exercise 10: Własny poziom agregacji Exercise 11: Wykres zagregowanego szeregu czasowego z użyciem ggplot2 Exercise 12: Uzupełnianie brakujących wartości Exercise 13: Metody imputacji Exercise 14: Uzupełnianie stałą wartością

Bieżące ćwiczenie

Exercise 15: Przenoszenie ostatniej obserwacji (LOCF)Exercise 16: Interpolacja liniowa

Nauczysz się tworzyć „kroczące" okna szeregów czasowych, które przesuwają się wraz z danymi. Dzięki temu możliwe jest podsumowywanie trendów w czasie – na przykład obliczanie średniej z kolejnych miesięcy obserwacji lub sumy sprzedaży z kilku tygodni. Ogólne statystyki opisowe, takie jak średnia, mediana, suma czy maksimum, nie zawsze pokazują, jak dane zmieniają się w czasie – okna kroczące pozwalają obliczać je dynamicznie. Oprócz okien kroczących poznasz też okna rozszerzające, które pokazują, jak statystyki opisowe zbliżają się do wartości końcowej.

Exercise 1: Czym jest okno kroczące?Exercise 2: Funkcje okna kroczącego Exercise 3: Okna kroczące a agregacja Exercise 4: Stosowanie funkcji do okien kroczących Exercise 5: Krocząca wartość minimalna Exercise 6: Rollapply z własną funkcją Exercise 7: Okna rozszerzające Exercise 8: Okna kroczące a okna ekspandujące Exercise 9: Rozszerzająca suma Exercise 10: Rozszerzająca średnia Exercise 11: Gratulacje!