Resampling und Aggregation von Beobachtungen

Zeitreihen in R bearbeiten

Harrison Brown

Graduate Researcher in Geography

Stichprobenfrequenz

Frequenz:

Anzahl der Beobachtungen pro Jahr
z. B. wöchentlich, täglich, monatlich, …

Zeitliche Auflösung:

„Hohe Auflösung": oft beprobt
„Niedrige Auflösung": selten beprobt
„Hoch" und „niedrig" sind subjektiv

Konzeptgrafik mit zwei Gittern: eines in niedriger und eines in hoher Auflösung. Sie zeigt den Unterschied zwischen häufiger und seltener beprobten Daten.

Aggregation

Hohe Auflösung -> niedrige Auflösung
Wendet eine Funktion wie mean, sum, max auf das Intervall an
z. B.:
- Monatliche sum aus täglichen Daten
- Wöchentliche mean aus stündlichen Werten
- …

Aggregation lässt sich nicht „rückgängig" machen
Monatssumme -> Tageswerte?
Liefert Kennzahlen, um Muster zu beschreiben
Aggregation reduziert Informationen

Daten mit xts aggregieren

xts:

eXtensible Time Series
Erweitert das Paket zoo und die zoo-Klasse
apply.*()-Funktionen

yearly_mean <-
  apply.yearly(x = maunaloa,
               FUN = mean)
autoplot(yearly_mean) + 
  labs(...)

Grafik des Mauna-Loa-Datensatzes, der auf Jahresmittelwerte aggregiert wurde. Im Gegensatz zu den starken Schwankungen im Original zeigt die Kurve hier eine sehr glatte Linie, da die Stichprobenauflösung viel niedriger ist.

Daten mit xts aggregieren

Grafik der Mauna-Loa-Zeitreihe mit wöchentlich gemessenen CO2-Konzentrationen. Die Kurve steigt insgesamt an und zeigt jährlich periodische, saisonale Spitzen.

apply-Punkt-Funktionen

daily_total <-
  apply.daily(hourly_sales,
              FUN = sum)

weekly_max <-
  apply.weekly(daily_temperature,
               FUN = max)

monthly_average <-
  apply.monthly(daily_price,
               FUN = mean)

apply.quarterly(sales_report,
                FUN = sum)

apply.yearly(monthly_salary,
             FUN = sum)

Endpoints und period.apply

xts::endpoints()

xts::period.apply()

biweekly_eps <-
  endpoints(x = daily_data,
            on = "weeks",
            k = 2)

biweekly_data <-
  period.apply(x = daily_data,
               INDEX = biweekly_eps,
               FUN = mean)

biweekly_data

2002-05-05 8.148611
2002-05-19 8.146776
2002-06-02 8.060020
2002-06-16 8.028224
2002-06-30 7.944792
2002-07-14 7.930159
...

Lass uns üben!

Zeitreihen in R bearbeiten