Atualizando e substituindo índices

Os dados armazenados no índice de uma série temporal, assim como os dados centrais, podem ser recuperados e manipulados como um vetor em R. Embora o atributo de índice geralmente seja uma data ou hora, ele pode ser um vetor de valores únicos de qualquer classe, como character ou numeric.

Neste exercício, você vai manipular as séries temporais coffee_2000s e coffee_2010s, que representam os preços médios diários do café durante os anos 2000 e 2010, respectivamente.

Usando lubridate e zoo, você vai manipular e atualizar o índice de coffee_2000s, que está formatado no padrão dia-mês-Ano.

Este exercicio faz parte do curso

Manipulando Dados de Séries Temporais em R

Ver curso

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Assign the index to index_2000s
___

Editar e Executar Código

Este exercicio faz parte do curso

Manipulando Dados de Séries Temporais em R

IntermediárioNível de habilidade

4.8+

283 reviews

Comece o curso gratuitamente

Você vai aprender as bases do que uma série temporal representa, como obter estatísticas descritivas sobre os dados em uma série temporal e como interpretar visualmente um gráfico de série temporal como parte da etapa de exploração da sua análise. Você também verá como gerenciar informações de data e hora dentro de objetos do R e formas de incorporar formatação consistente para datas.

Exercise 1: O que são dados de séries temporais?Exercise 2: Plotando séries temporais com autoplot Exercise 3: Resumo de séries temporais Exercise 4: Interpretando gráficos de séries temporais Exercise 5: Classes de dados temporais no R Exercise 6: Descobrindo a classe Exercise 7: Funções is-dot Exercise 8: as_date do lubridate Exercise 9: Formatando datas no R Exercise 10: Especificações de conversão Exercise 11: Analisando e formatando datas

Aqui, você vai aprender a obter atributos-chave de informações de séries temporais, como o intervalo de tempo dos dados e com que frequência os dados foram amostrados, para entender melhor seu conjunto de dados. Você também será apresentado ao pacote zoo, que contém ferramentas e funções para criar e manipular objetos de séries temporais. Muitas aplicações de data science em R usam o paradigma de data frame; você vai aprender a converter entre um data frame e uma série temporal.

Exercise 1: Atributos de séries temporais Exercise 2: Atributos temporais e datas decimais Exercise 3: Comparando atributos temporais Exercise 4: Objetos de séries temporais com o pacote zoo Exercise 5: Criando um zoo Exercise 6: zoo e ggplot2 Exercise 7: Manipulando objetos zoo Exercise 8: Atualizando e substituindo índices

Exercicio Atual

Exercise 9: Encontrando índices sobrepostos Exercise 10: Convertendo entre zoo e data frame Exercise 11: Alternando entre data.frame e zoo

Você vai ver como extrair uma janela de uma série temporal para focar em um período específico de interesse. Ao trabalhar com dados de séries temporais do mundo real, a duração do seu conjunto de dados pode cobrir mais informações do que você precisa, o que pode poluir suas visualizações. Você vai amostrar dados de séries temporais em diferentes taxas, como a cada minuto, hora, mês ou ano. Além disso, ao agregar seus dados, você vai aprender a ver as tendências gerais usando o pacote xts. Você também vai aprender métodos de imputação — preenchendo valores ausentes com preenchimento constante, LOCF ou interpolação linear.

Exercise 1: Selecionando uma janela de observações Exercise 2: Selecionando uma janela de uma série temporal Exercise 3: Encontrando uma observação de uma data específica Exercise 4: Expressões lógicas e subconjuntos Exercise 5: Dados mensais e trimestrais Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Reamostragem e agregação de observações Exercise 9: Agregando dados Exercise 10: Nível de agregação personalizado Exercise 11: Plotando uma série temporal agregada com ggplot2 Exercise 12: Imputando valores ausentes Exercise 13: Métodos de imputação Exercise 14: Preenchimento constante Exercise 15: Última observação carregada adiante (LOCF)Exercise 16: Interpolação linear

Você vai aprender a criar janelas “deslizantes” de uma série temporal que se movem, ou “rolam” junto com os dados, tornando possível resumir tendências ao longo do tempo, como a média de meses sucessivos de observações ou a soma de várias semanas de vendas. Estatísticas descritivas globais, como média, mediana, soma, máximo e assim por diante, nem sempre revelam como os dados mudam ao longo do tempo, e janelas deslizantes permitem calcular estatísticas de forma dinâmica. Além das janelas deslizantes, você também vai aprender a criar janelas expansivas, que mostram como essas estatísticas se aproximam do seu valor final.

Exercise 1: O que é uma janela móvel?Exercise 2: Funções de janela móvel Exercise 3: Janelas deslizantes versus agregação Exercise 4: Aplicando funções a janelas rolantes Exercise 5: Mínimo rolante Exercise 6: Aplicar em janela móvel com função personalizada Exercise 7: Janelas expansivas Exercise 8: Janelas móveis versus janelas expansivas Exercise 9: Soma em expansão Exercise 10: Média expansiva Exercise 11: Parabéns!