Red Sox verisini kodlama ve görselleştirme

Uçuşlar, hava durumu ve ekonomi verilerini inceledikten ve dönüştürdükten sonra, müşterin artık her şeyi kapsamak istiyor. Doğal olarak, Boston’ın başlıca spor takımları hakkında veri toplamanı istiyor: Boston Red Sox (beyzbol), New England Patriots (Amerikan futbolu), Boston Bruins (buz hokeyi) ve Boston Celtics (basketbol). Bu bölümde, 2010’dan 2015’e kadar bu takımların oynadığı tüm maçların takvim ve sonuç verilerini hazırlayacaksın. Zaman serisi verilerini dönüştürme pratiğini ilerletmek için harika bir fırsat!

Başlangıç olarak, 2010–2015 arasında Boston Red Sox’ın oynadığı maçlara ait verileri derledin. Bu egzersizde veriyi keşfedecek, xts formatına kodlayacak ve zaman içindeki bazı eğilimleri çizeceksin. redsox veri çerçevesi çalışma alanında mevcut.

Bu egzersiz

Vaka Çalışması: R ile Şehir Zaman Serisi Verilerini Analiz Etme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

redsox verin hakkında bazı özet istatistikleri görmek için summary() kullan. Tarih sütununa dikkat et ve ele alınması gereken eksik veri (NA) olup olmadığını değerlendir.
redsox verisinin xts’e dönüştürülebileceğinden eminsen, bu sürece date sütununu as.Date() kullanarak zamana dayalı bir nesneye dönüştürerek başla.
as.xts() kullanarak redsox verini xts’e dönüştür; order.by argümanında date sütununu kullandığından emin ol. Ayrıca xts nesnenin sayısal kalması için tarih sütununu kaldır ([, -1] gösterimini kullanarak).
Zaman içinde Red Sox skorlarını (boston_score) ve rakip skorlarını (opponent_score) çizmek için plot.zoo() kullan. Bu grafiklerden hangi eğilimleri fark ediyorsun?

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# View summary information about your redsox data


# Convert the date column to a time-based format
redsox$date <- as.Date(___$___)

# Convert your red sox data to xts
redsox_xts <- as.xts(___[,-1], order.by = ___$___)

# Plot the Red Sox score and the opponent score over time
plot.zoo(___[, c("___", "___")])

Kodu Düzenle ve Çalıştır

Bu egzersiz

Vaka Çalışması: R ile Şehir Zaman Serisi Verilerini Analiz Etme

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

You've been hired to understand the travel needs of tourists visiting the Boston area. As your first assignment on the job, you'll practice the skills you've learned for time series data manipulation in R by exploring data on flights arriving at Boston's Logan International Airport (BOS) using xts & zoo.

Exercise 1: Review xts fundamentals Exercise 2: Identify the time series Exercise 3: Flight data Exercise 4: Pick out the xts object Exercise 5: Encoding your flight data Exercise 6: Manipulating and visualizing your data Exercise 7: Exploring your flight data Exercise 8: Visualize flight data Exercise 9: Calculate time series trends Exercise 10: Saving and exporting xts objects Exercise 11: Assessing flight trends Exercise 12: Saving time - I Exercise 13: Saving time - II

In this chapter, you'll expand your time series data library to include weather data in the Boston area. Before you can conduct any analysis, you'll need to do some data manipulation, including merging multiple xts objects and isolating certain periods of the data. It's a great opportunity for more practice!

Exercise 1: Merging time series data by row Exercise 2: Exploring temperature data Exercise 3: Next steps - I Exercise 4: Merging using rbind()Exercise 5: Visualizing Boston winters Exercise 6: Merging time series data by column Exercise 7: Subsetting and adjusting periodicity Exercise 8: Generating a monthly average Exercise 9: Using merge() and plotting over time Exercise 10: Are flight delays related to temperature?Exercise 11: Time series data workflow Exercise 12: Next steps - II Exercise 13: Expanding your data Exercise 14: Are flight delays related to visibility or wind?

Now it's time to go further afield. In addition to flight delays, your client is interested in how Boston's tourism industry is affected by economic trends. You'll need to manipulate some time series data on economic indicators, including GDP per capita and unemployment in the United States in general and Massachusetts (MA) in particular.

Exercise 1: Handling missingness Exercise 2: Exploring economic data Exercise 3: Replace missing data - I Exercise 4: Replace missing data - II Exercise 5: Estimating missing GDP Exercise 6: Lagging and differencing Exercise 7: Exploring unemployment data Exercise 8: Lagging unemployment Exercise 9: Differencing unemployment Exercise 10: Rolling functions Exercise 11: Add a discrete rolling sum to GDP data Exercise 12: Add a continuous rolling average to unemployment data Exercise 13: Manipulating MA unemployment data

Having exhausted other options, your client now believes Boston's tourism industry must be related to the success of local sports teams. In your final task on this project, your supervisor has asked you to assemble some time series data on Boston's sports teams over the past few years.

Exercise 1: xts'in gelişmiş özellikleri Exercise 2: Red Sox verisini kodlama ve görselleştirme

Geçerli Egzersiz

Exercise 3: Kapanış ortalaması hesapla Exercise 4: Mevsimsel bir ortalama hesapla ve görselleştir Exercise 5: Hareketli ortalama hesapla ve görselleştir Exercise 6: xts'de indeksleme komutları Exercise 7: Hafta sonu maçlarını çıkar Exercise 8: Tüm spor dallarında hareketli ortalama hesapla Exercise 9: Spor trendlerini görüntüleme Exercise 10: Tebrikler