R中的时间序列图
在本教程中，我们将介绍如何在R中创建时间序列图。
时间序列数据是指代表特定变量在不同时间点变化的数据点。
可以将其视为按固定时间间隔记录的数据序列。
时间序列数据被广泛用于股票市场分析，天气分析，市场趋势分析以及任何其他数据随时间变化很重要的情况。
R有几个软件包可以执行时间序列绘图和分析任务。
让我们首先为工作获取一些标准时间序列数据。
采集数据
一些数据科学家和组织已经开源了时间序列数据集，这些数据集可以直接下载到R环境中。
其中两个来源是：
- mcomp软件包
- tsdl程序包(时间序列数据库)
可以使用install.packages(" packagename")命令将软件包安装到R环境中。
其他相关说明也位于上述上。
让我们继续使用tsdl包中的一些数据来说明时间序列图。
查看时间序列数据
tsdl软件包具有多个类别的众多数据系列。
让我们尝试访问其中一些集合。
第一步是将程序包加载到内存中。
library(tsdl) tsdl
Time Series Data Library: 648 time series
Frequency
Subject 0.1 0.25 1 4 5 6 12 13 52 365 Total
Agriculture 0 0 37 0 0 0 3 0 0 0 40
Chemistry 0 0 8 0 0 0 0 0 0 0 8
Computing 0 0 6 0 0 0 0 0 0 0 6
Crime 0 0 1 0 0 0 2 1 0 0 4
Demography 1 0 9 2 0 0 3 0 0 2 17
Ecology 0 0 23 0 0 0 0 0 0 0 23
Finance 0 0 23 5 0 0 20 0 2 1 51
Health 0 0 8 0 0 0 6 0 1 0 15
Hydrology 0 0 42 0 0 0 78 1 0 6 127
Industry 0 0 9 0 0 0 2 0 1 0 12
Labour market 0 0 3 4 0 0 17 0 0 0 24
Macroeconomic 0 0 18 33 0 0 5 0 0 0 56
Meteorology 0 0 18 0 0 0 17 0 0 12 47
Microeconomic 0 0 27 1 0 0 7 0 1 0 36
Miscellaneous 0 0 4 0 1 1 3 0 1 0 10
Physics 0 0 12 0 0 0 4 0 0 0 16
Production 0 0 4 14 0 0 28 1 1 0 48
Sales 0 0 10 3 0 0 24 0 9 0 46
Sport 0 1 1 0 0 0 0 0 0 0 2
Transport and tourism 0 0 1 1 0 0 12 0 0 0 14
Tree-rings 0 0 34 0 0 0 1 0 0 0 35
Utilities 0 0 2 1 0 0 8 0 0 0 11
Total 1 1 300 64 1 1 240 3 16 21 648
>
让我们尝试为绘图选择时间序列。
我们首先使用各个类别的子集函数创建上述数据集的子集。
crime <-subset(tsdl,'Crime')
现在，为了访问时间序列，我们需要索引上面创建的数据帧。
这个特定的时间序列代表了1965年1月至1977年10月在波士顿发生的每月武装抢劫案的数量。
crime[[2]]
> crime[[2]] Jan Nov Mar Apr Jan Jun May Aug Sep Oct Nov Dec 1966 41 39 50 40 43 38 44 35 39 35 29 49 1967 50 59 63 32 39 47 53 60 57 52 70 90 1968 74 62 55 84 94 70 108 139 120 97 126 149 1969 158 124 140 109 114 77 120 133 110 92 97 78 1970 99 107 112 90 98 125 155 190 236 189 174 178 1971 136 161 171 149 184 155 276 224 213 279 268 287 1972 238 213 257 293 212 246 353 339 308 247 257 322 1973 298 273 312 249 286 279 309 401 309 328 353 354 1974 327 324 285 243 241 287 355 460 364 487 452 391 1975 500 451 375 372 302 316 398 394 431 431
现在，我们使用函数从该数据帧创建一个时间序列对象。
series <- ts(crime[[2]]) series
Time Series: Start = 1 End = 118 Frequency = 1 [1] 41 39 50 40 43 38 44 35 39 35 29 49 50 59 63 32 39 47 53 60 [21] 57 52 70 90 74 62 55 84 94 70 108 139 120 97 126 149 158 124 140 109 [41] 114 77 120 133 110 92 97 78 99 107 112 90 98 125 155 190 236 189 174 178 [61] 136 161 171 149 184 155 276 224 213 279 268 287 238 213 257 293 212 246 353 339 [81] 308 247 257 322 298 273 312 249 286 279 309 401 309 328 353 354 327 324 285 243 [101] 241 287 355 460 364 487 452 391 500 451 375 372 302 316 398 394 431 431 attr(,"source") [1] McCleary & Hay (1980) attr(,"description") [1] Monthly Boston armed robberies Jan.1966-Oct.1975 Deutsch and Alt (1977) attr(,"subject") [1] Crime
ts()函数将数字矢量转换为时间序列对象。
语法如下：
ts(vector, start, end, frequencY)
通过从整个序列中选择起点和终点，您可以选择只转换一部分时间序列，而不转换整个序列。
我们可以使用以下命令仅检索1970年1月至1972年12月的犯罪数据：
> shortseries <-ts(crime[[2]], start=c(1970,1), end=c(1983,12)) > shortseries Time Series: Start = 1970 End = 1983 Frequency = 1 [1] 41 39 50 40 43 38 44 35 39 35 29 49 50 59
频率选项指示多久进行一次观测。
1表示年度，4表示季度，依此类推。
默认情况下，频率通过计算所有观测值的平均值每年进行一次观测。
如果需要更多细粒度的观测值，则需要指定12个作为频率(每月一个观测值)。
在R中创建时间序列图
R提供plot.ts()函数来绘制时间序列图。
让我们重新检查我们的系列数据。
series <- ts(crime[[2]]) plot.ts(series)
由于未为该系列指定开始日期和结束日期，因此该图将仅显示观察编号而不是年份编号。
没有年份的纯时间序列图
现在，我们将重新定义系列对象，其开始日期和结束日期以及频率设置为12。
series <- ts(crime[[2]], start =c(1966,1), end=c(1975,12),frequency = 12) plot.ts(series)
与年的时间序列
分解时间序列
通过分解可以进一步分析时间序列。
这些另外的信息可以与观察到的图一起分别绘制为3个不同的图：
季节性：模式如何在特定时间间隔内重复
趋势：时间序列进展的总体方向–上升或者下降。
随机：去除趋势和季节性后，数据中固有的不规则性。
可以使用如下的decompose()函数从一系列信息中获取该信息。
decseries <-decompose(series)
结果是该系列所有上述组件的列表。
这些可以直接使用plot()函数绘制。
plot(decseries)
从图中可以看出，所犯罪行具有季节性，并且这种趋势总体上呈上升趋势。
时间序列图是对顺序数据和时变数据进行数据分析的重要手段。
像上面提到的那些功能使任务更加容易。
