Verini genişletme

Artık zaman serisi iş akışına hâkim olduğuna göre, uçuş gecikmelerinin görüş mesafesi ve rüzgârın bir fonksiyonu olduğu hipotezini değerlendirmeye hazırsın.

Bu egzersizde, 2010–2015 yılları arasında Boston bölgesindeki aylık ortalama görüş mesafesi (vis) ve rüzgâr hızları (wind) verilerini birleştirerek xts nesnene birkaç sütun daha ekleyeceksin. Bu veriler sıcaklık verileriyle aynı kaynaktan geliyor, ancak işini kolaylaştırmak için önceden işlenip xts formatına dönüştürüldüler.

Daha önce yaptıklarına benzer, fakat bu kez elinde daha az hazır kod var. Çalışma xts nesnen flights_temps de çalışma alanında hazır.

Bu egzersiz

Vaka Çalışması: R ile Şehir Zaman Serisi Verilerini Analiz Etme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Her zamanki gibi ilk işin, periodicity() fonksiyonunu iki kez çağırarak vis ve wind verilerinin periyodikliğini ve süresini doğrulamak.
vis ve wind verilerinin mevcut verilerinle aynı periyodiklik ve süreye sahip olduğunu onayladıktan sonra, merge() kullanarak üç nesnenin hepsini tek bir xts nesnesinde birleştir: flights_weather. Tutarlılık için şu sırayla birleştir: flights_temps, vis, wind.
Birleştirmenin başarılı olduğunu görmek için head() ile flights_weather nesnesinin ilk birkaç satırına bak.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Confirm the periodicity and duration of the vis and wind data



# Merge vis and wind with your existing flights_temps data
flights_weather <- 

# View the first few rows of your flights_weather data

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: Zamana bağlı verileri satıra göre birleştirme Exercise 2: Sıcaklık verilerini keşfetme Exercise 3: Sonraki adımlar - I Exercise 4: rbind() kullanarak birleştirme Exercise 5: Boston kışlarını görselleştirme Exercise 6: Zaman serisi verilerini sütuna göre birleştirme Exercise 7: Alt kümeye ayırma ve periyodisiteyi ayarlama Exercise 8: Aylık ortalama oluşturma Exercise 9: merge() kullanımı ve zaman üzerinde görselleştirme Exercise 10: Uçuş gecikmeleri sıcaklıkla ilişkili mi?Exercise 11: Zaman serisi veri iş akışı Exercise 12: Sonraki adımlar - II Exercise 13: Verini genişletme

Geçerli Egzersiz

Exercise 14: Uçuş gecikmeleri görüş mesafesi veya rüzgârla ilişkili mi?

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: Advanced features of xts Exercise 2: Encoding and plotting Red Sox data Exercise 3: Calculate a closing average Exercise 4: Calculate and plot a seasonal average Exercise 5: Calculate and plot a rolling average Exercise 6: Indexing commands in xts Exercise 7: Extract weekend games Exercise 8: Calculate a rolling average across all sports Exercise 9: Viewing sports trends Exercise 10: Congratulations