Tijdreeksgegevens bewerken in R

Hier leer je belangrijke kenmerken van tijdreeksinformatie ophalen, zoals het tijdsbereik van de gegevens en hoe vaak er is bemonsterd, om je gegevens beter te begrijpen. Je maakt ook kennis met het pakket zoo, dat tools en functies bevat voor het maken en bewerken van tijdreeksobjecten. Veel data-science-toepassingen in R gebruiken het data frame-paradigma; je leert hoe je kunt converteren tussen een data frame en een tijdreeks.

Je leert hoe je een venster uit een tijdreeks kunt subsetten om je te richten op een specifieke periode. Je ziet dat bij werken met tijdreeksgegevens uit de praktijk de tijdsspanne van je gegevensset meer kan bevatten dan je nodig hebt, wat je visualisaties kan vertroebelen. Je bemonstert tijdreeksgegevens op verschillende frequenties, zoals elke minuut, uur, maand of jaar. Door je gegevens te aggregeren, leer je de algemene trends in de gegevens te zien met het pakket xts. Je leert ook methoden om je gegevens te ‘imputeren’ — ontbrekende waarden opvullen met een constante, LOCF of lineaire interpolatie.

Je leert ‘rollende’ vensters van een tijdreeks te maken die meebewegen met de gegevens, zodat je trends in de tijd kunt samenvatten, zoals het gemiddelde over opeenvolgende maanden met observaties of de som over meerdere weken aan verkopen. Algemene samenvattende statistieken, zoals gemiddelde, mediaan, som, maximum enzovoort, geven niet altijd inzicht in hoe gegevens in de tijd veranderen, en rollende vensters laten je statistieken dynamisch berekenen. Naast rollende vensters leer je ook hoe je uitbreidende vensters maakt, die laten zien hoe deze samenvattende statistieken hun uiteindelijke waarde benaderen.