Ange ordning med `parse_date_time()`

Vad händer om du har data i en ovanlig ordning, till exempel dym_msh? Det finns ingen namngiven funktion enbart för den ordningen – men det är just där parse_date_time() kommer till nytta. parse_date_time() tar ett extra argument, orders, där du kan ange i vilken ordning datumkomponenterna förekommer.

För att till exempel tolka "2010 September 20th" kan du skriva parse_date_time("2010 September 20th", orders = "ymd"), vilket är ekvivalent med att använda funktionen ymd() från föregående övning.

En fördel med parse_date_time() är att du kan använda fler formattecken. Du kan till exempel ange veckodagsnamn med A, 12-timmarsformat med I, am/pm-indikatorer med p och mycket annat. En fullständig lista finns på hjälpsidan ?parse_date_time.

En annan stor fördel är att du kan ange en vektor med ordningar, vilket gör det möjligt att tolka datum där flera olika format används.

Du får prova det i den här övningen.

Den här övningen är en del av kursen

Arbeta med datum och tider i R

Övningsinstruktioner

x är ett lite knepigare datum och tid. Använd ledtrådarna i instruktionerna för att tolka x.
two_orders innehåller två olika ordningar – tolka båda genom att ange ordningen som c("mdy", "dmy").
Tolka short_dates med orders = c("dOmY", "OmY", "Y"). Vad händer med de datum som saknar månad eller dag?

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Specify an order string to parse x
x <- "Monday June 1st 2010 at 4pm"
___(x, orders = "___")

# Specify order to include both "mdy" and "dmy"
two_orders <- c("October 7, 2001", "October 13, 2002", "April 13, 2003", 
  "17 April 2005", "23 April 2017")
parse_date_time(two_orders, orders = ___)

# Specify order to include "dOmY", "OmY" and "Y"
short_dates <- c("11 December 1282", "May 1372", "1253")
parse_date_time(short_dates, orders = ___)

Redigera och kör kod

Den här övningen är en del av kursen

Arbeta med datum och tider i R

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

R vet inte att något är ett datum eller en tid om du inte talar om det. I det här kapitlet lär du dig om några av de sätt som R lagrar datum och tider på, genom att utforska hur ofta R-versioner släpps och hur snabbt folk laddar ned dem. Du får också en försmak av vad du kommer att lära dig i de följande kapitlen.

Exercise 1: Introduktion till datum Exercise 2: Känna igen ISO 8601-datum Exercise 3: Ange datum Exercise 4: Automatisk import Exercise 5: Varför använda datum?Exercise 6: Diagram Exercise 7: Aritmetiska och logiska operatorer Exercise 8: Vad är det med tider?Exercise 9: Importera datetime-värden till R Exercise 10: Datum och tider fungerar smidigt de med Exercise 11: Varför lubridate?

Datum och tider förekommer i en mängd olika format, så det första hindret är ofta att tolka det format du har till ett R-datumobjekt. Det här kapitlet lär dig att importera datum och tider med paketet lubridate. Du lär dig också att extrahera delar av ett datumobjekt. Du övar på detta genom att utforska vädret på R:s födelseort, Auckland i Nya Zeeland.

Exercise 1: Tolka datum med lubridate Exercise 2: Välja rätt parsningsfunktion Exercise 3: Ange ordning med `parse_date_time()`

Aktuell övning

Exercise 4: Väder i Auckland Exercise 5: Importera dagliga väderdata Exercise 6: Importera väderdata per timme Exercise 7: Extrahera delar av ett datum/tid-värde Exercise 8: Vad kan du extrahera?Exercise 9: Lägga till användbara etiketter Exercise 10: Extrahera för visualisering Exercise 11: Extrahera för filtrering och sammanfattning Exercise 12: Avrundning av datum och tider Exercise 13: Öva på avrundning Exercise 14: Avrundning med väderdata

Att få in datumobjekt i R är bara det första steget. Nu när du vet hur man tolkar datumobjekt behöver du lära dig att utföra beräkningar med dem. I det här kapitlet lär du dig de olika sätten att representera tidsperioder med lubridate och hur du använder dem för att utföra aritmetik på datumobjekt. I slutet av kapitlet har du beräknat hur lång tid som gått sedan den första människan satte foten på månen, genererat sekvenser av datum för att hjälpa till att schemalägga påminnelser, beräknat när en solförmörkelse inträffar och utforskat de engelska monarkers regeringstider – och vilka av dem som kan ha sett Halleys komet!

Exercise 1: Beräkna skillnader mellan datum och tider Exercise 2: Hur länge sedan var det?Exercise 3: Hur många sekunder finns det på en dag?Exercise 4: Tidsspann.Exercise 5: Lägga till eller subtrahera ett tidsspann från ett datetime-värde Exercise 6: Duration eller Period?Exercise 7: Aritmetik med tidsspann Exercise 8: Generera sekvenser av datum och tider Exercise 9: Det knepiga med månader Exercise 10: Intervall Exercise 11: Utforska intervall – kungar och drottningars regeringstider Exercise 12: Jämföra intervall och datum/tider Exercise 13: Konvertera till varaktigheter och perioder

Nu kan du det mesta du behöver för att hantera data med datum och tider, men det finns några andra problem du kan stöta på i praktiken. I det här avslutande kapitlet lär du dig mer om dessa problem genom att återvända till några av de tidigare dataexemplen och lära dig hur du hanterar tidszoner, arbetar med tider när du inte bryr dig om datum, tolkar datum snabbt och exporterar datum och tider.

Exercise 1: Tidszoner Exercise 2: Ange tidszonen Exercise 3: Visa i en tidszon Exercise 4: Tidszoner i väderdata Exercise 5: Tider utan datum Exercise 6: Mer om import och export av datum och tider Exercise 7: Snabb parsning med fasttime Exercise 8: Snabb parsning med lubridate::fast_strptime Exercise 9: Snyggt formaterade datum och tider Exercise 10: Avslutning