小编A.A*_*idi的帖子

我在ggplot2包中有一个时间序列图,我已经执行了移动平均线,我想将移动平均值的结果添加到时间序列图中.

数据集样本(p31):

ambtemp dt -1.14
2007-09-29 00:01:57
-1.12 2007-09-29 00:03:57 -1.33
2007-09-29 00:05:57
-1.44 2007-09-29 00:07:57
-1.54 2007-09-29 00:09:57
-1.29 2007-09-29 00:11:57

时间序列演示的应用代码:

  Require(ggplot2)
  library(scales)
  p29$dt=strptime(p31$dt, "%Y-%m-%d %H:%M:%S")
  ggplot(p29, aes(dt, ambtemp)) + geom_line() +
     scale_x_datetime(breaks = date_breaks("2 hour"),labels=date_format("%H:%M")) + xlab("Time 00.00 ~ 24:00 (2007-09-29)") + ylab("Tempreture")+
     opts(title = ("Node 29"))

时间序列演示的样本

移动平均线图样本 预期结果的样本

挑战在于时间序列数据ov =从数据集中获得,其中包括时间戳和温度,但移动平均数据仅包括平均列而不是时间戳,并且拟合这两者可能导致不一致.

我想通过时间戳执行移动平均线.我有两列:温度和时间戳(时间 - 日期),我想基于每15分钟的连续温度观察来执行移动平均.换句话说,选择数据以基于15分钟时间间隔执行平均.而且,对于不同的时间序列,可以具有不同数量的观察.我的意思是所有窗口大小相等(15分钟),但每个窗口中可能有不同数量的观察.例如:对于第一个窗口,我们必须计算n个观测值的平均值,而对于第二个窗口,计算n + 5观测值的平均值.

数据样本:

ID   Timestamps          Temperature
1    2007-09-14 22:56:12 5.39
2    2007-09-14 22:58:12 5.34
3    2007-09-14 23:00:12 5.16
4    2007-09-14 23:02:12 5.54
5    2007-09-14 23:04:12 5.30
6    2007-09-14 23:06:12 5.20
7    2007-09-14 23:10:12 5.39
8    2007-09-14 23:12:12 5.34
9    2007-09-14 23:20:12 5.16
10   2007-09-14 23:24:12 5.54
11   2007-09-14 23:30:12 5.30
12   2007-09-14 23:33:12 5.20
13   2007-09-14 23:40:12 5.39
14   2007-09-14 23:42:12 5.34
15   2007-09-14 23:44:12 5.16
16   2007-09-14 23:50:12 5.54
17   2007-09-14 23:52:12 5.30
18   2007-09-14 23:57:12 …

我有一个大型数据集,我将在R软件中进行一些分析.虽然我无法将数据正确导入R.

我收到此错误:

Error in postgresqlNewConnection(drv, ...) : RS-DBI driver: (could not connect User@local on dbname "Intel"

我使用PostgreSQL打开数据并以某种方式管理它.如何将PostgreSQL中的现有数据导入R软件？

我是时间序列分析的新手.我试图找到一个短(1天)温度时间序列的趋势,并尝试不同的近似值.此外,采样频率为2分钟.数据被分配给不同的站点.我将比较不同的趋势,看看它们是否相似.

这样做我面临三个挑战:

Q1 - 我如何提取模式？

Q2 - 我如何量化趋势,因为我将比较趋势属于两个不同的地方？

Q3 - 我什么时候可以说两种趋势相似或不相似？

我有一个数据集,包含几周的观察,频率为2分钟.我想将时间间隔从2分钟增加到5分钟.问题是观察的频率并不总是相同的.我的意思是,从理论上讲,每10分钟就应该进行5次观察,但通常情况并非如此.请告诉我如何根据平均函数以及观察的时间和日期汇总观测结果.换句话说,基于每5分钟的聚合,而观察的数量对于每5分钟的时间间隔是不同的.此外,我有时间戳格式的日期和时间.

示例数据:

1 2007-09-14 22:56:12 5.39
2 2007-09-14 22:58:12 5.34
3 2007-09-14 23:00:12 5.16
4 2007-09-14 23:02:12 5.54
5 2007-09-14 23:04:12 5.30
6 2007-09-14 23:06:12 5.20

预期成绩:

1 2007-09-14 23:00 5.29
2 2007-09-14 23:05 5.34

我想比较两张桌子.如果表2的值放在表2的0.3容差(+0.3和-0.3)中,则称其正常,否则称其为异常.

样本数据:

Table 1.                        

0.17666667
-0.2413333
-0.179666
0.182437
0.012229
0.127333
-0.1180
0.8873
1.24100
1.5213

Table 2.

-1.6
-0.5
-0.4
-0.4
-0.2
2.5
0.6
2.2
2.3
1.3

第一行的预期结果:

如果0.17666667** - 0.3**< - 1.6 <0.17666667**+ 0.3**

结果师范大学 否则异常

我的数据集包含以空格分隔的单独的年,月,日,小时,分钟和第二列:

+-------------------+
|2007|09|28|21|14|06|
|2007|09|28|21|14|06|
|2007|09|28|21|14|06|
|2007|09|28|21|14|06|
|2007|09|28|21|14|06|
+-------------------+

我想在时间戳数据类型下将它们集成为单个列.我在timestamp data-type中创建了一个新列,并通过以下代码更新列:

 Update s2
 set dt = year || '-' || month  || '-' || day
               || ' ' || hour  || ':' || min  || ':' || second 

但我面临以下错误:

ERROR:  column "dt" is of type timestamp without time zone but expression is of type text
LINE 1:  Update temp set dt= year || '-' || month  || '-' || day  ||...
                             ^
HINT:  You will need to rewrite or cast the …

我有一张桌子，我想用特定值填充一列。

样本表：它包括温度列，该列为空，我想用4.56填充相关列的所有行。

+ ------------ + ------------------ +
|温度| dt |
+ ------------ + ------------------ +
| | 9/15/2007 12：12：12 |                  
| | 9/15/2007 12：14：16 |
| | 9/15/2007 12：16：02 |
| | 9/15/2007 12：18：23 |
| | 9/15/2007 12：21：01 |
+ ------------ + ------------------ +

结果：

+ ------------ + ------------------ +
|温度| dt |
+ ------------ + ------------------ +
| 4.56 | 9/15/2007 12：12：12 |                  
| 4.56 | 9/15/2007 12：14：16 |
| 4.56 | 9/15/2007 12：16：02 |
| 4.56 | …

我想在点ID的情况下在Google地图上绘制坐标:

数据样本:

          coordinates      id      
1   (7.1735, 45.8688)       2    
2  (7.17254, 45.8689)       3     
3  (7.17164, 45.8692)       4    
4  (7.18018, 45.8716)       5    
5  (7.17807, 45.8701)       6     
6  (7.17723, 45.8692)       7    
7  (7.17524, 45.8681)       8     
8  (7.18141, 45.8718)       9     
9   (7.1793, 45.8702)      10     
10 (7.17836, 45.8707)      11     
11 (7.17519, 45.8697)      12     
12 (7.17938, 45.8708)      13     
13 (7.17551, 45.8693)      14    
14 (7.17684, 45.8694)      15     
15 (7.18099, 45.8726)      17     
16 (7.18015, 45.8725)      18     
17 (7.18122, 45.8736)      19     
18 (7.17491, 45.8692)      20     
19 (7.15497, 45.8706)      25 …