Przenoszenie ostatniej obserwacji (LOCF)

Kolejną ważną metodą imputacji jest przenoszenie ostatniej obserwacji (ang. Last Observation Carried Forward, LOCF). Polega ona na zastępowaniu brakujących wartości ostatnią dostępną wartością różną od NA, która poprzedza daną lukę.

W tym ćwiczeniu dokonasz imputacji szeregu czasowego miesięcznych wyników egzaminów pewnego studenta, zapisanego jako monthly_test_scores. Zbiór danych oraz pakiety ggplot2 i zoo są już dostępne w środowisku.

To ćwiczenie jest częścią kursu

Manipulowanie danymi szeregów czasowych w R

Instrukcje do ćwiczenia

Zastosuj metodę przenoszenia ostatniej obserwacji (LOCF), aby uzupełnić brakujące wartości w monthly_test_scores; wynik zapisz jako monthly_scores_locf.
Uzupełnij pierwsze wywołanie autoplot(), aby wygenerować wykres oryginalnego szeregu czasowego monthly_test_scores.
Użyj autoplot() dla monthly_scores_locf z motywem 'minimal' i etykietą osi y "Examination Score (LOCF)".
Porównaj wykres monthly_scores_locf z wykresem monthly_test_scores, przełączając się między nimi.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Impute using last observation carried forward
___ <- ___

# Create a plot of the original time series 
autoplot(___) + 
  theme_minimal() + 
  labs(y = "Examination Score")

# Autoplot with theme and axis title and compare to the above plot
autoplot(___) + 
  ___

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 Exercise 15: Przenoszenie ostatniej obserwacji (LOCF)

Bieżące ćwiczenie

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!