Cursus
Tijdreeksgegevens bewerken in R
GemiddeldVaardigheidsniveau
Bijgewerkt 12-2024Start Cursus Kosteloos
Inbegrepen bijPremium or Teams
RData Manipulation4 u15 videos49 Opdrachten4,100 XP6,648Prestatieverklaring
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.Geliefd bij leerlingen van duizenden bedrijven
Wil je 2 of meer mensen trainen?
Probeer DataCamp for BusinessCursusbeschrijving
Leer alles over tijdreeksgegevens
Werken met gegevens die in de loop van de tijd veranderen, is een belangrijke vaardigheid in datawetenschap. Dit soort gegevens noemen we een tijdreeks. Je leert de basis van wat een tijdreeks is, hoe je samenvattende statistieken over de gegevens in een tijdreeks kunt ophalen en hoe je een tijdreeks visueel kunt interpreteren.Word een expert in het werken met tijdreeksen met zoo, lubridate en xts
Je leert hoe je de pakketten zoo en lubridate kunt gebruiken om tijdreeksgegevens te importeren, te verkennen en te visualiseren in R. Je leert hoe je belangrijke kenmerken van tijdreeksinformatie kunt ophalen, zoals de periode van die gegevens en hoe vaak de gegevens zijn bemonsterd, en je leert ondertussen vloeiend om te schakelen tussen gegevensframes en tijdreeksen. Door je gegevens samen te voegen, leer je bovendien de algemene trends in de gegevens te zien met behulp van het xts-pakket.Maak je vaardigheden in het maken van subsets nog beter
Je leert hoe je een deel van een tijdreeks kunt selecteren om je te concentreren op een bepaalde periode die je interessant vindt. Je gaat tijdreeksgegevens met verschillende frequenties bemonsteren, bijvoorbeeld elke minuut, elk uur, elke maand of elk jaar. Je leert ook manieren om je gegevens 'aan te vullen' – ontbrekende waarden invullen met constante invulling, LOCF of lineaire interpolatiemethoden. Je leert ook hoe je 'rollende' vensters van een tijdreeks kunt maken die meebewegen of 'rollen' met de gegevens, waardoor je trends in de gegevens over een bepaalde periode kunt samenvatten. Je leert ook hoe je uitklapbare vensters kunt maken, die laten zien hoe deze samenvattende statistieken hun uiteindelijke waarde benaderen.Vereisten
Working with Dates and Times in R1
What Is Time Series Data?
You'll learn the foundations of what a time series represents, how to retrieve summary statistics about the data in a time series, and how to visually interpret a time series plot as part of the exploration step of your analysis. You’ll also cover how to manage date and time information within R objects and ways of incorporating consistent formatting for dates.
2
Manipulating Time Series with zoo
Here, you’ll learn to retrieve key attributes of time series information, such as the range in time of the data and how often the data were sampled, to understand your data better. You'll also be introduced to the zoo package, which contains tools and functions for creating and manipulating time series objects. Many data science applications in R use the data frame paradigm; you'll learn how to convert between a data frame and a time series.
3
Indexing Time Series Objects
You’ll cover how to subset a window from a time series to focus on a particular period of interest. You’ll see that when working with real-world time series data, the timespan of your dataset may cover more information than you need, which can clutter your visualizations. You’ll sample time series data at various rates, such as every minute, hour, month, or year. Further, by aggregating your data, you’ll learn to see the overall trends in the data using the xts package. You'll also learn methods of 'imputing' your data – filling in missing values with constant fill, LOCF, or linear interpolation methods.
4
Rolling and Expanding Windows
You’ll learn to create “rolling” windows of a time series that move, or "roll" along with data, making it possible to summarize trends in the data across time, such as the average over success months of observations or the sum over several weeks of sales. Overall summary statistics, like mean, median, sum, maximum, and so on, do not always provide insight into how data changes over time, and rolling windows will allow you to compute statistics dynamically. In addition to rolling windows, you will also learn how to create expanding windows, which show how these summary statistics approach their final value.
Tijdreeksgegevens bewerken in R
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprek
Inbegrepen bijPremium or Teams
Schrijf Je Nu inSluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Tijdreeksgegevens bewerken in R!
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.