时间序列为data.table中的`ts`列？

Question

我有多组时间序列数据,并希望帮助找出将它们导入R并用R分析它们的最佳方法.我对data.table非常熟悉,但对R的ts类支持时间序列分析并不熟悉.

特别是,我想知道如何ts在这种情况下使用,或者是否存在限制ts(例如聚合一组ts对象的问题),使其适合在此处使用.

数据

有很多商店.对于每个商店,我每天都有多个数据点,例如以美元计的销售量,交易数量的销售量和商店流量(进入商店的人数).(实际上我所拥有的是一个包含列存储ID,日期以及该商店和日期数据的表.)

我一直在做的是使用data.table,每个商店有一行,按商店将数据聚合成几个月,并将每个月的值存储在一个单独的命名列中(例如jan14_dollars,feb14_dollars ......)但这很笨重出于很多原因,特别是当我想看几周或几周时.

我认为处理这个问题的正确方法是拥有类型的列,ts这样每一行都只是store, dollars_ts, transactions_ts, traffic_ts但是(a)如何将数据转换为该格式;(b)可以ts将整数的方式组合起来给我结果我想要？如果您只能回答(a)或(b)但不能回答两者,请尽量回答.

我无法提供逼真的数据集,但您可以生成一个随机的数据集,如下所示:

require("data.table")

storeData <- CJ(store = toupper(letters), date = seq(as.Date('2012-01-01'), as.Date('2014-01-01'), by="day"))
storeData$dollars = sample(100:100000, nrow(storeData), replace = TRUE)/100
storeData$transactions <- sample(0:1000, nrow(storeData), replace = TRUE)
storeData$traffic  <- storeData$transactions + sample(0:1000, nrow(storeData), replace = TRUE)

head(storeData)
   store       date  dollars transactions traffic
1:     A 2012-01-01   48.60          409     990
2:     A 2012-01-02  996.89           36     428
3:     A 2012-01-03   69.35          647    1103
4:     A 2012-01-04  334.56          953     973
5:     A 2012-01-05  692.99          958    1753
6:     A 2012-01-06  973.32          724    1086

分析

我想回答诸如"有多少商店的美元销售增长积极？"之类的问题.并且"美元/交易的变化与交通变化之间是否存在关系？" 并将数据分成时间段并比较各时期的答案(例如今年第一季度与去年第一季度相比).

可以使用这些问题来回答这些问题ts吗？如果是这样,我如何将这些数据放入一组适当的列中,或者是否存在除了data.table我应该使用的其他结构？

请展示如何组织数据,然后如何使用数据回答示例问题"2014年1月与2013年1月相比,有多少商店的销售额增长为正？" 并且"过去3个月每笔交易的总体趋势是多少？"

Answer 1

你在这里问了很多问题.我建议你花时间阅读data.table可以做的涉及连接和聚合数据的所有事情.以下是您如何在第一季度获得每家商店年增长率的示例.

#get the first day of the first month for your binning
minDate<-min(storeData$date); month(minDate)<-1; day(minDate)<-1

#get the first day of the last month for your binning
maxDate<-max(storeData$date); month(maxDate)<-12; day(maxDate)<-1

#Build some bins
yearly<-data.table(leftBound=seq.Date(minDate,maxDate,by="year"))
quarterly<-data.table(leftBound=seq.Date(minDate,maxDate,by="3 months"))
monthly<-data.table(leftBound=seq.Date(minDate,maxDate,by="month"))

#Example for quarterly data
quarterly[, rollDate:=leftBound]
storeData[, rollDate:=date]

setkey(quarterly,"rollDate")
setkey(storeData,"rollDate")

temp<-quarterly[storeData, roll=TRUE] #associate each (store, date) pair with a quarter

#create a "join table" containing each quarter for each store
jt<-CJ(leftBound=quarterly$leftBound, store=unique(storeData$store))
setkey(temp,"leftBound","store")

dt<-temp[jt, allow.cartesian=TRUE]
dt[, `:=`(year=year(leftBound), quarter=quarter(leftBound))]

qSummary<-dt[,list(dollars=sum(dollars, na.rm=TRUE), 
         transactions=sum(transactions, na.rm=TRUE), 
         traffic=sum(traffic, na.rm=TRUE)),
   by=list(year,quarter,store)] #Summarize the data by quarter

#Get year/year growth for Q1
qSummary[,list(dollarGrowth = dollars[which(year==2014 & quarter==1)] / dollars[which(year==2013 & quarter==1)]), by=store]

 #First five rows...
    store dollarGrowth
 1:     A    0.0134860
 2:     B    0.0137215
 3:     C    0.0188249
 4:     D    0.0163887
 5:     E    0.0037576