Beräkna trender i tidsserier
En av de mest användbara egenskaperna hos xts-objekt är möjligheten att utföra enkla matematiska beräkningar över tid. I dina flygdata är ett värdefullt mått att beräkna den procentuella andelen flyg som är försenade, inställda eller omdirigerade varje månad.
I den här övningen använder du dina data för att skapa en ny tidsserikolumn med andelen flyg som ankommer sent till Boston per månad. Du genererar sedan ett diagram för detta mått, innan du går vidare och beräknar ytterligare mått för inställda och omdirigerade flyg.
Den här övningen är en del av kursen
Fallstudie: Analys av tidsseridata för städer i R
Övningsinstruktioner
- Använd enkla matematiska uttryck på
flights_xtsför att beräkna den procentuella andelen försenade flyg per månad. Spara resultatet som en ny kolumn iflights_xtsmed namnetpct_delay. - Använd
plot.xts()för att visualisera andelen försenade flyg per månad. - Upprepa beräkningen ovan för att skapa ytterligare två kolumner i ditt xts-objekt –
pct_cancelochpct_divert– för inställda respektive omdirigerade flyg. - Använd
plot.zoo()för att visa alla tre trender samtidigt. För att göra det behöver du välja ut en delmängd avflights_xtssom innehåller de tre kolumner du just skapade.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Calculate percentage of flights delayed each month: pct_delay
flights_xts$pct_delay <- (___ / ___) * 100
# Use plot.xts() to view pct_delay over time
# Calculate percentage of flights cancelled each month: pct_cancel
# Calculate percentage of flights diverted each month: pct_divert
# Use plot.zoo() to view all three trends over time
plot.zoo(x = ___[ , c("___", "___", "___")])