Interpolarea liniară

Pentru date continue și numerice – unde valorile pot fi oriunde într-un interval – interpolarea liniară este adesea cea mai bună opțiune de imputare. Date precum temperatura, altitudinea sau venitul pe cap de locuitor sunt exemple în care interpolarea liniară poate fi aplicată.

În acest exercițiu, vei determina numărul de valori lipsă din șirul de timp maunaloa_missing și vei folosi interpolarea liniară pentru a le imputa.

maunaloa_missing, zoo și ggplot2 sunt disponibile.

Acest exercițiu face parte din cursul

Manipularea datelor de tip serie de timp în R

Instrucțiuni pentru exercițiu

Determină numărul de observații din maunaloa_missing care sunt NA.
Folosește interpolarea liniară pentru a completa valorile lipsă din maunaloa_missing; atribuie rezultatul variabilei maunaloa_linear.
Generează un grafic ggplot al lui maunaloa_linear, cu o linie de culoare roșie.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Count the number of missing values
___

# Fill in values with linear approximation
___

# Generate a full ggplot of maunaloa_linear
ggplot(___,
       aes(___)) + 
  scale_y_continuous() + 
  ___

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

Exercițiul curent

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!