Completare cu valoare constantă

Completarea cu valoare constantă este o metodă utilă de imputare atunci când valorile lipsă (NA) dintr-un set de date pot fi considerate egale cu o anumită valoare. Uneori, la transferul datelor între platforme și aplicații diferite, anumite valori pot fi „pierdute" sau marcate eronat ca NA. Imputarea cu valoare constantă îți permite să înlocuiești aceste valori lipsă cu o valoare implicită.

În acest exercițiu, vei imputa valorile lipsă din seria de timp car_sales, care reprezintă vânzările zilnice de mașini ale unui angajat dintr-un showroom auto.

Acest exercițiu face parte din cursul

Manipularea datelor de tip serie de timp în R

Instrucțiuni pentru exercițiu

Determină numărul total de valori NA din seria de timp car_sales.
Folosește imputarea cu valoare constantă pentru a înlocui valorile lipsă din car_sales cu 0; atribuie rezultatul variabilei car_sales_filled.
Realizează un autoplot al seriei de timp car_sales_filled.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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()

Editează și rulează codul

Acest exercițiu face parte din cursul

Manipularea datelor de tip serie de timp în R

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Vei învăța bazele a ceea ce reprezintă o serie de timp, cum să extragi statistici sumare din datele unei serii de timp și cum să interpretezi vizual un grafic de serie de timp în etapa de explorare a analizei. Vei vedea, de asemenea, cum să gestionezi informațiile despre dată și oră în cadrul obiectelor R și cum să aplici formate consistente pentru date calendaristice.

Exercise 1: Ce sunt datele de tip serie de timp?Exercise 2: Reprezentarea grafică a seriilor de timp cu autoplot Exercise 3: Sumar al seriei de timp Exercise 4: Interpretarea graficelor de serii de timp Exercise 5: Clase de date temporale în R Exercise 6: Găsirea clasei Exercise 7: Funcțiile is-dot Exercise 8: as_date din lubridate Exercise 9: Formatarea datelor calendaristice în R Exercise 10: Specificații de conversie Exercise 11: Parsarea și formatarea datelor calendaristice

Vei învăța să extragi atributele principale ale unei serii de timp – intervalul de timp acoperit de date și frecvența de eșantionare – pentru a înțelege mai bine datele tale. Vei fi introdus și în pachetul zoo, care conține instrumente și funcții pentru crearea și manipularea obiectelor de tip serie de timp. Multe aplicații de știință a datelor în R folosesc paradigma cadrelor de date; vei învăța cum să faci conversia între un cadru de date și o serie de timp.

Exercise 1: Atributele seriilor de timp Exercise 2: Atribute temporale și date zecimale Exercise 3: Compararea atributelor temporale Exercise 4: Obiecte de tip serie temporală cu pachetul zoo Exercise 5: Crearea unui obiect zoo Exercise 6: zoo și ggplot2 Exercise 7: Manipularea obiectelor zoo Exercise 8: Actualizarea și înlocuirea indicilor Exercise 9: Găsirea indicilor suprapuși Exercise 10: Conversia între zoo și data frame Exercise 11: Trecerea între data.frame și zoo

Vei învăța cum să extragi un subset dintr-o serie de timp pentru a te concentra pe o perioadă de interes. Vei descoperi că, atunci când lucrezi cu date reale de tip serie de timp, intervalul de timp al setului de date poate conține mai multe informații decât ai nevoie, ceea ce poate îngreuna vizualizările. Vei eșantiona datele de tip serie de timp la rate diferite – de exemplu, la fiecare minut, oră, lună sau an. Mai mult, prin agregarea datelor, vei învăța să identifici tendințele generale folosind pachetul xts. Vei învăța și metode de „imputare" a datelor – completarea valorilor lipsă cu umplere constantă, LOCF sau interpolare liniară.

Exercise 1: Extragerea unui interval de observații Exercise 2: Selectarea unui interval dintr-o serie de timp Exercise 3: Găsirea unei observații dintr-o dată specifică Exercise 4: Expresii logice și subseturi Exercise 5: Date lunare și trimestriale Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Reesantionare și agregare a observațiilor Exercise 9: Agregarea datelor Exercise 10: Nivel de agregare personalizat Exercise 11: Reprezentarea grafică a unei serii de timp agregate cu ggplot2 Exercise 12: Imputarea valorilor lipsă Exercise 13: Metode de imputare Exercise 14: Completare cu valoare constantă

Exercițiul curent

Exercise 15: Ultima observație propagată înainte (LOCF)Exercise 16: Interpolarea liniară

Vei învăța să creezi ferestre „mobile" ale unei serii de timp, care se deplasează odată cu datele, permițând rezumarea tendințelor în timp – de exemplu, media pe mai multe luni de observații sau suma pe mai multe săptămâni de vânzări. Statisticile sumare globale, precum media, mediana, suma, maximul și altele, nu oferă întotdeauna informații despre modul în care datele se modifică în timp; ferestrele mobile îți permit să calculezi statistici în mod dinamic. Pe lângă ferestrele mobile, vei învăța și cum să creezi ferestre în expansiune, care arată cum aceste statistici sumare se apropie de valoarea lor finală.

Exercise 1: Ce este o fereastră glisantă?Exercise 2: Funcții de fereastră glisantă Exercise 3: Ferestre glisante versus agregare Exercise 4: Aplicarea funcțiilor pe ferestre glisante Exercise 5: Minimul glisant Exercise 6: Aplicarea rollapply cu o funcție personalizată Exercise 7: Ferestre în expansiune Exercise 8: Ferestre glisante versus ferestre expandabile Exercise 9: Sumă în expansiune Exercise 10: Media expandabilă Exercise 11: Felicitări!