Hareketli ortalama hesapla ve görselleştir

Oluşturmak istediğin son beyzbol göstergesi L10: son on maçtaki galibiyet/mağlubiyet ortalaması. Kümülatif galibiyet/mağlubiyet ortalaması takımın genel durumunu gösterirken, L10 gösterge takımın son dönemdeki performansına daha net bir pencere açar. Spor dünyasının ötesinde, bu ölçüm, yakın dönem portföy performansına odaklanan bir finansal göstergeye benzetilebilir.

Hareketli galibiyet/mağlubiyet ortalaması üretmek için, önceki bölümde kullandığın rollapply() komutuna geri dön. Bu durumda, 2013 sezonu boyunca herhangi bir anda Red Sox'ın oynadığı son 10 maça mean fonksiyonunu uygulamak isteyeceksin.

win_loss sütunu da dahil olmak üzere redsox_xts nesnesi çalışma alanında hazır.

Bu egzersiz

Vaka Çalışması: R ile Şehir Zaman Serisi Verilerini Analiz Etme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Yalnızca 2013 sezonunu içeren yeni bir xts nesnesi oluştur. Bu nesneye redsox_2013 adını ver.
rollapply() kullanarak redsox_2013 içindeki win_loss sütununa dayalı lastten_2013 göstergeni hesapla. Red Sox'ın oynadığı son on maçı dahil etmek için width değerini 10 olarak ayarla ve win_loss sütununun ortalamasını almak için FUN argümanını mean yap.
2013 sezonu boyunca yeni göstergeni görmek için plot.xts() kullan. Önceden yazılmış koddaki ylim argümanını olduğu gibi bırak.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Select only the 2013 season
redsox_2013 <- ___["___"]

# Use rollapply to generate the last ten average
lastten_2013 <- rollapply(___$___, width = ___, FUN = ___)

# Plot the last ten average during the 2013 season
plot.xts(___, ylim = c(0, 1))

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 Exercise 3: Kapanış ortalaması hesapla Exercise 4: Mevsimsel bir ortalama hesapla ve görselleştir Exercise 5: Hareketli ortalama hesapla ve görselleştir

Geçerli Egzersiz

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