作者：徐瑞龙，量化分析师，R语言中文社区专栏作者
博客专栏：
https://www.cnblogs.com/xuruilong100
本文翻译自《Demo Week: Tidy Time Series Analysis with tibbletime》
原文链接： www.business-science.io/code-tools/2017/10/26/demo_week_tibbletime.html
注意：由于软件包的版本变化，部分代码被修改，文字有删减
tibbletime 的用途
-
tidy 时间序列分析的未来：基于
tbl的新类——tbl_time，为tibble对象添加时间轴，赋予处理时间的能力。 -
时间序列函数：为
tbl_time对象专门设计的一系列函数，例如：
-
filter_time()：根据日期简便快捷地过滤一个tbl_time对象。 -
as_period()：转换时间周期（例如月度变为年度），让用户能将数据聚合到低粒度水平上。 -
time_collapse()：当使用time_collapse时，tbl_time对象中落入相同周期的索引将被修改成相同的日期。 -
rollify()：修改一个函数，使其能够在特定时间区间上计算一个或一组值。可以用来计算滚动均值，或其他tidyverse框架下的滚动计算。 -
create_series()：根据规则时间序列，用简化标记快速初始化一个带有date列tbl_time对象。
加载包
tibbletime 目前还在活跃开发阶段，可以用常规方法安装，也可以借助 devtools 从 github 上安装最新开发版。
# Get tibbletime version with latest features
devtools::install_github("business-science/tibbletime")
安装完成后，加载下面的包：
-
tibbletime：创建带时间轴的tibble对象，可以使用tbl_time函数。 -
tidyquant：加载tidyverse框架，用tq_get()获取数据。
# Load libraries library(tibbletime) # Version: 0.1.1, Future of tidy time series analysis library(tidyquant) # Loads tidyverse, tq_get()
数据
用 tq_get() 下载 FANG（脸书、亚马逊、网飞、谷歌）每天的股票价格。
# Stock Prices from Yahoo! Finance
FANG_symbols <- c("FB", "AMZN", "NFLX", "GOOG")
FANG_tbl_d <- FANG_symbols %>%
tq_get(
get = "stock.prices",
from = "2014-01-01",
to = "2016-12-31")
FANG_tbl_d <- FANG_tbl_d %>%
group_by(symbol)
FANG_tbl_d
## # A tibble: 3,024 x 8 ## # Groups: symbol [4] ## symbol date open high low close volume adjusted ## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 FB 2014-01-02 54.83 55.22 54.19 54.71 43195500 54.71 ## 2 FB 2014-01-03 55.02 55.65 54.53 54.56 38246200 54.56 ## 3 FB 2014-01-06 54.42 57.26 54.05 57.20 68852600 57.20 ## 4 FB 2014-01-07 57.70 58.55 57.22 57.92 77207400 57.92 ## 5 FB 2014-01-08 57.60 58.41 57.23 58.23 56682400 58.23 ## 6 FB 2014-01-09 58.65 58.96 56.65 57.22 92253300 57.22 ## 7 FB 2014-01-10 57.13 58.30 57.06 57.94 42449500 57.94 ## 8 FB 2014-01-13 57.91 58.25 55.38 55.91 63010900 55.91 ## 9 FB 2014-01-14 56.46 57.78 56.10 57.74 37503600 57.74 ## 10 FB 2014-01-15 57.98 58.57 57.27 57.60 33663400 57.60 ## # ... with 3,014 more rows
我们设计了一个函数来按股票代码分块绘图，可以在本文中重复使用。没有必要深究这些代码，只要认识到我们正在创建一个 ggplot2 对象，它通过指定数据框、x、y 和 group（如果存在）等要素来创建根据“symbol”分块的信息图。
# Setup plotting function that can be reused later
ggplot_facet_by_symbol <- function(data,
mapping)
{
if (is.null(mapping$group))
{
# No groups
g <- data %>%
ggplot(
mapping = mapping) +
labs(x = quo_name(mapping$x),
y = quo_name(mapping$y))
}
else
{
# Deal with groups
g <- data %>%
ggplot(
mapping = mapping) +
labs(x = quo_name(mapping$x),
y = quo_name(mapping$y),
group = quo_name(mapping$group))
}
# Add faceting and theme
g <- g +
geom_line() +
facet_wrap(
~ symbol, ncol = 2, scales = "free_y") +
scale_color_tq() +
theme_tq()
return(g)
}
我们可以使用绘图函数 ggplot_facet_by_symbol 快速可视化我们的数据。让我们看一下“除权调整的”股票价格。
# Plot adjusted vs date FANG_tbl_d %>% ggplot_facet_by_symbol( mapping = aes( x = date, y = adjusted, color = symbol)) + labs( title = "FANG Stocks: Adjusted Prices 2014 through 2016")
上图所显示就是我们要处理的数据，下面让我们进入 tibbletime 的教程。
教程： tibbletime
本教程将介绍下列函数的用法：
-
filter_time：对时间索引的过滤 -
as_period：改变数据的周期 -
rollify：将任意函数转换成为滚动函数
初始化一个 tbl_time 对象
在我们使用这些新函数之前，我们需要创建一个 tbl_time 对象。新类的操作几乎与普通的 tibble 对象相同。然而，它会在背后自动跟踪时间信息。
使用 as_tbl_time() 函数初始化对象。指定 index = date ，这告诉 tbl_time 对象要跟踪哪个索引。
# Convert to tbl_time FANG_tbl_time_d <- FANG_tbl_d %>% as_tbl_time(index = date)
我们可以打印 tbl_time 对象。看起来几乎与分组的 tibble 相同。请注意，“Index: date”通知我们“time tibble”已正确初始化。
# Show the tbl_time object we created FANG_tbl_time_d
## # A time tibble: 3,024 x 8 ## # Index: date ## # Groups: symbol [4] ## symbol date open high low close volume adjusted ## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 FB 2014-01-02 54.83 55.22 54.19 54.71 43195500 54.71 ## 2 FB 2014-01-03 55.02 55.65 54.53 54.56 38246200 54.56 ## 3 FB 2014-01-06 54.42 57.26 54.05 57.20 68852600 57.20 ## 4 FB 2014-01-07 57.70 58.55 57.22 57.92 77207400 57.92 ## 5 FB 2014-01-08 57.60 58.41 57.23 58.23 56682400 58.23 ## 6 FB 2014-01-09 58.65 58.96 56.65 57.22 92253300 57.22 ## 7 FB 2014-01-10 57.13 58.30 57.06 57.94 42449500 57.94 ## 8 FB 2014-01-13 57.91 58.25 55.38 55.91 63010900 55.91 ## 9 FB 2014-01-14 56.46 57.78 56.10 57.74 37503600 57.74 ## 10 FB 2014-01-15 57.98 58.57 57.27 57.60 33663400 57.60 ## # ... with 3,014 more rows
我们可以使用绘图函数 ggplot_facet_by_symbol() 绘制它，我们看到 tbl_time 对象与 tbl 对象的反应相同。
# Plot the tbl_time object FANG_tbl_time_d %>% ggplot_facet_by_symbol( mapping = aes( x = date, y = adjusted, color = symbol)) + labs( title = "Working with tbltime: Reacts same as tbl class")
时间序列函数
让我们看看可以用新的 tbl_time 对象做些什么。
filter_time
filter_time() 函数根据按日期简便快捷地过滤 tbl_time 对象，它使用一个函数格式（例如 'date_operator_start' ~ 'date_operator_end' ）。我们使用标准日期格式 YYYY-MM-DD + HH:MM:SS 指定日期运算符，但也有强大的简化标记来更有效地指定日期子集。
假设我们想要过滤出 2014-06-01 和 2014-06-15 之间的所有观察结果。我们可以使用函数标记 filter_time('2014-06-01' ~ '2014-06-15') 来完成。
# filter_time by day
FANG_tbl_time_d %>%
filter_time('2014-06-01' ~ '2014-06-15') %>%
# Plotting
ggplot_facet_by_symbol(
mapping = aes(
x = date, y = adjusted, color = symbol)) +
geom_point() +
labs(
title = "Time Filter: Use functional notation to quickly subset by time",
subtitle = "2014-06-01 ~ 2014-06-15")
我们可以按月完成同样的工作。假设我们只想在 2014 年 3 月进行观察。使用简化函数标记 ~ '2014-03' 。
# filter_time by month FANG_tbl_time_d %>% filter_time(~ '2014-03') %>% # Plotting ggplot_facet_by_symbol( mapping = aes( x = date, y = adjusted, color = symbol)) + geom_point() + labs( title = "Time Filter: Use shorthand for even easier subsetting", subtitle = "~ 2014-03")
tbl_time 对象也响应括号符号运算符—— [ 。在这里，我们提取 2014 年所有日期的数据。
# filter_time by month FANG_tbl_time_d %>% filter_time(~ '2014-03') %>% # Plotting ggplot_facet_by_symbol( mapping = aes( x = date, y = adjusted, color = symbol)) + geom_point() + labs( title = "Time Filter: Use shorthand for even easier subsetting", subtitle = "~ 2014-03")
filter_time() 有许多功能和简化标记，感兴趣的读者可以查看 filter_time vignette 和 filter_time function documentation。
as_period
函数 as_period() 可以改变 tbl_time 对象的周期。与传统方法相比，使用此方法有两个优点：
-
函数标记非常灵活：
yearly == y == 1 y -
函数标记提供了无数周期转换的可能，例如：
-
15 d：以 15 天为一周期 -
2 m：以 2 月为一周期 -
4 m：以 4 月为一周期 -
6 m：以半年为一周期
首先，让我们做一个简单的月度周期性变化。
# Convert from daily to monthly periodicity FANG_tbl_time_d %>% as_period(period = "month") %>% # Plotting ggplot_facet_by_symbol( mapping = aes( x = date, y = adjusted, color = symbol)) + labs( title = "Periodicity Change from Daily to Monthly") + geom_point()
让我们提升一个档次。那么每两个月一次呢？ 只需使用函数标记 2 m 即可。
# Convert from daily to bi-monthly periodicity FANG_tbl_time_d %>% as_period(period = '2 m') %>% # Plotting ggplot_facet_by_symbol( mapping = aes( x = date, y = adjusted, color = symbol)) + labs( title = "Periodicity Change to Daily to Bi-Monthly", subtitle = "2~m") + geom_point()
让我们继续。那么每半年一次呢？ 只需使用 6 m 即可。
# Convert from daily to bi-annually periodicity FANG_tbl_time_d %>% as_period(period = '6 m') %>% # Plotting ggplot_facet_by_symbol( mapping = aes( x = date, y = adjusted, color = symbol)) + labs( title = "Periodicity Change to Daily to Bi-Annually", subtitle = "6~m") + geom_point()
函数标记几乎提供了无限可能，感兴趣的话可以查看 vignette on periodicity change with tibbletime。
rollify
rollify() 函数是一个副词（ tidyverse 中的一种特殊类型的函数，用于修改另一个函数）。 rollify() 的作用是将任何函数转换为自身的滚动版本。
# Rolling 60-day mean roll_mean_60 <- rollify( mean, window = 60) FANG_tbl_time_d %>% mutate( mean_60 = roll_mean_60(adjusted)) %>% select(-c(open:volume)) %>% # Plot ggplot_facet_by_symbol( mapping = aes( x = date, y = adjusted, color = symbol)) + geom_line( aes(y = mean_60), color = palette_light()[[6]]) + labs( title = "Rolling 60-Day Mean with rollify")
我们甚至可以做出更复杂的滚动功能，例如相关性。我们在 rollify() 中使用函数形式 .f = ~fun（.x，.y，...） 。
# Rolling correlation roll_corr_60 <- rollify( ~ cor(.x, .y, use = "pairwise.complete.obs"), window = 60) FANG_tbl_time_d %>% mutate( cor_60 = roll_corr_60( open, close)) %>% select(-c(open:adjusted)) %>% # Plot ggplot_facet_by_symbol( mapping = aes( x = date, y = cor_60, color = symbol)) + labs( title = "Rollify: 60-Day Rolling Correlation Between Open and Close Prices")
我们甚至可以返回多个结果。例如，我们可以创建滚动分位数。
首先，创建一个返回分位数的函数。
# Quantile tbl function
quantile_tbl <- function(x)
{
q <- quantile(x)
tibble(
quantile_name = names(q),
quantile_value = q)
}
# Test the function
quantile_tbl(1:100)
## # A tibble: 5 x 2 ## quantile_name quantile_value ## <chr> <dbl> ## 1 0% 1.00 ## 2 25% 25.75 ## 3 50% 50.50 ## 4 75% 75.25 ## 5 100% 100.00
很好，它可以工作。接下来，使用 rollify 创建滚动版本。我们设置 unlist = FALSE 来返回 列表列 。
# Rollified quantile function roll_quantile_60 <- rollify( quantile_tbl, window = 60, unlist = FALSE)
接下来，在 mutate() 中应用滚动分位数函数来获得滚动分位数。确保你已经用 select() 、 filter() 和 unnest() 删除了不必要的列，过滤了 NA 值，并展开列表列。现在每个日期有五个分位数值。
# Apply rolling quantile FANG_quantile_60 <- FANG_tbl_time_d %>% mutate( rolling_quantile = roll_quantile_60(adjusted)) %>% select(-c(open:adjusted)) %>% filter(!is.na(rolling_quantile)) %>% unnest() FANG_quantile_60
## # A time tibble: 13,940 x 4 ## # Index: date ## # Groups: symbol [4] ## symbol date quantile_name quantile_value ## * <chr> <date> <chr> <dbl> ## 1 FB 2014-03-28 0% 53.5300 ## 2 FB 2014-03-28 25% 57.8750 ## 3 FB 2014-03-28 50% 64.2100 ## 4 FB 2014-03-28 75% 68.6275 ## 5 FB 2014-03-28 100% 72.0300 ## 6 FB 2014-03-31 0% 53.5300 ## 7 FB 2014-03-31 25% 57.9350 ## 8 FB 2014-03-31 50% 64.2100 ## 9 FB 2014-03-31 75% 68.6275 ## 10 FB 2014-03-31 100% 72.0300 ## # ... with 13,930 more rows
最后，画出结果。
FANG_quantile_60 %>% ggplot_facet_by_symbol( mapping = aes( x = date, y = quantile_value, color = symbol, group = quantile_name)) + labs( title = "Rollify: Create Rolling Quantiles")
如果想继续探索 rollify 的用法，可以查看 vignette on rolling functions with rollify 。
本文由R语言中文社区 创作，采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者，并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点， 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台，并不用于任何商业目的，如果有任何问题，请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。本站拥有对此声明的最终解释权。
以上所述就是小编给大家介绍的《时间序列分析工具箱——tibbletime》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
- GitHub 教师工具箱
- 【译】Go 的工具箱综述
- SteamTools 2.4.1 发布，包含多种 Steam 工具功能的工具箱
- 2020年，11种应该加入工具箱的顶级VueJS开发员工具
- 成为“黑客”前，必拥有的”黑客工具箱“
- PotatofieldImageToolkit 3.0.0 已经发布，图像工具箱
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
高性能网站建设指南
Steve Souders / 刘彦博 / 电子工业出版社 / 2008年 / 35.00元
本书结合Web 2.0以来Web开发领域的最新形势和特点，介绍了网站性能问题的现状、产生的原因，以及改善或解决性能问题的原则、技术技巧和最佳实践。重点关注网页的行为特征，阐释优化Ajax、CSS、JavaScript、Flash和图片处理等要素的技术，全面涵盖浏览器端性能问题的方方面面。在《高性能网站建设指南》中，作者给出了14条具体的优化原则，每一条原则都配以范例佐证，并提供了在线支持。《高性能......一起来看看 《高性能网站建设指南》 这本书的介绍吧!
