Imputeringsmetoder

Vilken imputeringsmetod som är lämpligast beror i hög grad på vilken typ av data du har – alla metoder ger inte meningsfulla resultat i alla situationer!

I den här övningen kategoriserar du de tre imputeringsmetoder som togs upp i videolektionen och kopplar dem till det sammanhang där de passar bäst.

Den här övningen är en del av kursen

Manipulera tidsseriedata i R

Visa kurs

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Manipulera tidsseriedata i R

SkillTag.level.intermediateSkillTag.label

4.8+

293 reviews

Starta kursen gratis

Du lär dig grunderna i vad en tidsserie är, hur du hämtar sammanfattande statistik från tidsseriedata och hur du tolkar ett tidsseriediagram visuellt som en del av utforskningsfasen i din analys. Du får också lära dig hur du hanterar datum- och tidsinformation i R-objekt och hur du tillämpar konsekvent formatering för datum.

Exercise 1: Vad är tidsseriedata?Exercise 2: Plotta tidsserier med autoplot Exercise 3: Sammanfattning av tidsserier Exercise 4: Tolka tidsserieplottar Exercise 5: Temporala dataklasser i R Exercise 6: Hitta klassen Exercise 7: Is-dot-funktioner Exercise 8: lubridate:s as_date Exercise 9: Formatera datum i R Exercise 10: Konverteringsspecifikationer Exercise 11: Tolka och formatera datum

Här lär du dig att hämta viktiga attribut från tidsserieinformation, till exempel datamängdens tidsintervall och samplingshastighet, för att bättre förstå dina data. Du introduceras även till paketet zoo, som innehåller verktyg och funktioner för att skapa och manipulera tidsserieobjekt. Många datavetenskapliga tillämpningar i R bygger på dataramsprincipen – du lär dig hur du konverterar mellan en dataram och en tidsserie.

Exercise 1: Tidsserieattribut Exercise 2: Tidsmässiga attribut och decimaldatum Exercise 3: Jämföra tidsattribut Exercise 4: Tidsseriobjekt med zoo-paketet Exercise 5: Skapa ett zoo-objekt Exercise 6: zoo och ggplot2 Exercise 7: Manipulera zoo-objekt Exercise 8: Uppdatera och ersätta index Exercise 9: Hitta överlappande index Exercise 10: Konvertera mellan zoo och dataframe Exercise 11: Växla mellan data.frame och zoo

Du lär dig hur du urvalsbegränsar ett fönster från en tidsserie för att fokusera på ett specifikt tidsintervall. När du arbetar med verkliga tidsseriedata kan datamängdens tidsomfång innehålla mer information än du behöver, vilket kan göra visualiseringar svårlästa. Du samplar tidsseriedata med olika frekvenser, till exempel varje minut, timme, månad eller år. Genom att aggregera dina data lär du dig också att urskilja övergripande trender med hjälp av paketet xts. Dessutom lär du dig metoder för att imputera data – det vill säga fylla i saknade värden med konstantfyllning, LOCF eller linjär interpolation.

Exercise 1: Delmängd av ett observationsfönster Exercise 2: Välja ett fönster från en tidsserie Exercise 3: Hitta en observation från ett specifikt datum Exercise 4: Logiska uttryck och delmängder Exercise 5: Månadsvis och kvartalsvis data Exercise 6: zoo::yearmon Exercise 7: zoo::yearqtr Exercise 8: Omsampling och aggregering av observationer Exercise 9: Aggregera data Exercise 10: Anpassad aggregeringsnivå Exercise 11: Plotta en aggregerad tidsserie med ggplot2 Exercise 12: Imputera saknade värden Exercise 13: Imputeringsmetoder

Aktuell övning

Exercise 14: Konstantfyllning Exercise 15: Senaste observation förs framåt (LOCF)Exercise 16: Linjär interpolation

Du lär dig att skapa rullande fönster för en tidsserie – fönster som rör sig framåt med data och gör det möjligt att sammanfatta trender över tid, till exempel medelvärdet under ett antal månader eller summan under flera försäljningsveckor. Övergripande sammanfattande statistik, som medelvärde, median, summa och maximum, ger inte alltid en bild av hur data förändras över tid – rullande fönster gör det möjligt att beräkna sådan statistik dynamiskt. Utöver rullande fönster lär du dig även att skapa expanderande fönster, som visar hur dessa sammanfattande mått successivt närmar sig sina slutliga värden.

Exercise 1: Vad är ett rullande fönster?Exercise 2: Rullande fönsterfunktioner Exercise 3: Rullande fönster jämfört med aggregering Exercise 4: Använda funktioner på rullande fönster Exercise 5: Rullande minimum Exercise 6: Rullande apply med en anpassad funktion Exercise 7: Expanderande fönster Exercise 8: Rullande kontra expanderande fönster Exercise 9: Expanderande summa Exercise 10: Expanderande medelvärde Exercise 11: Grattis!