Plotando séries temporais com autoplot

Excelente trabalho até aqui! Neste curso, você vai trabalhar com alguns conjuntos de dados de séries temporais — um deles é o conjunto maunaloa, composto por observações de dióxido de carbono (CO2) na atmosfera, coletadas no observatório de Mauna Loa, no Havaí.

Uma das etapas mais importantes em ciência de dados é explorar os seus dados — isso ajuda você a entender como eles se parecem, onde podem existir outliers e qual é a tendência geral.

Neste exercício, você vai praticar a criação de um autoplot com o pacote ggplot2.

O pacote ggplot2 e a série temporal maunaloa já estão carregados para você.

Este exercício faz parte do curso

Manipulando Dados de Séries Temporais em R

Ver curso

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Create the first autoplot
___

Editar e executar o código

Este exercício faz parte do curso

Manipulando Dados de Séries Temporais em R

IntermediárioNível de habilidade

4.8+

207 reviews

Iniciar curso de graça

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

Exercício atual

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 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!