经验首页 前端设计 程序设计 Java相关 移动开发 数据库/运维 软件/图像 大数据/云计算 其他经验
当前位置：技术经验 » 程序设计 » R语言 » 查看文章
时间序列分析工具箱——tibbletime
来源：cnblogs　　作者：xuruilong100　　时间：2018/9/25 20:19:40　　对本文有异议

目录

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

时间序列分析工具箱——tibbletime

tibbletime 的用途

  1. 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。
  2. 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。

  1. # Get tibbletime version with latest features
  2. 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。
  1. # Load libraries
  2. library(tibbletime) # Version: 0.1.1, Future of tidy time series analysis
  3. 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。

  1. # Stock Prices from Yahoo! Finance
  2. FANG_symbols <- c("FB", "AMZN", "NFLX", "GOOG")
  4. FANG_tbl_d <- FANG_symbols %>%
  5.     tq_get(
  6.         get = "stock.prices",
  7.         from = "2014-01-01",
  8.         to = "2016-12-31") 
  10. FANG_tbl_d <- FANG_tbl_d %>%
  11.     group_by(symbol)
  13. FANG_tbl_d
  1. ## # A tibble: 3,024 x 8
  2. ## # Groups:   symbol [4]
  3. ##    symbol       date  open  high   low close   volume adjusted
  4. ##     <chr>     <date> <dbl> <dbl> <dbl> <dbl>    <dbl>    <dbl>
  5. ##  1     FB 2014-01-02 54.83 55.22 54.19 54.71 43195500    54.71
  6. ##  2     FB 2014-01-03 55.02 55.65 54.53 54.56 38246200    54.56
  7. ##  3     FB 2014-01-06 54.42 57.26 54.05 57.20 68852600    57.20
  8. ##  4     FB 2014-01-07 57.70 58.55 57.22 57.92 77207400    57.92
  9. ##  5     FB 2014-01-08 57.60 58.41 57.23 58.23 56682400    58.23
  10. ##  6     FB 2014-01-09 58.65 58.96 56.65 57.22 92253300    57.22
  11. ##  7     FB 2014-01-10 57.13 58.30 57.06 57.94 42449500    57.94
  12. ##  8     FB 2014-01-13 57.91 58.25 55.38 55.91 63010900    55.91
  13. ##  9     FB 2014-01-14 56.46 57.78 56.10 57.74 37503600    57.74
  14. ## 10     FB 2014-01-15 57.98 58.57 57.27 57.60 33663400    57.60
  15. ## # ... 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。

  1. # Setup plotting function that can be reused later
  2. ggplot_facet_by_symbol <- function(data,
  3.                                    mapping)
  4. {
  5.     if (is.null(mapping$group))
  6.     {
  7.         # No groups
  8.         g <- data %>%
  9.             ggplot(
  10.                 mapping = mapping) +
  11.             labs(x = quo_name(mapping$x),
  12.                  y = quo_name(mapping$y))
  13.     }
  14.     else
  15.     {
  16.         # Deal with groups
  17.         g <- data %>%
  18.             ggplot(
  19.                 mapping = mapping)  +
  20.             labs(x = quo_name(mapping$x),
  21.                  y = quo_name(mapping$y),
  22.                  group = quo_name(mapping$group))
  23.     }
  25.     # Add faceting and theme
  26.     g <- g +
  27.         geom_line() +
  28.         facet_wrap(
  29.             ~ symbol, ncol = 2, scales = "free_y") +
  30.         scale_color_tq() +
  31.         theme_tq()
  33.     return(g)
  34. }

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。

  1. # Plot adjusted vs date
  2. FANG_tbl_d %>%
  3.     ggplot_facet_by_symbol(
  4.         mapping = aes(
  5.             x = date, y = adjusted, color = symbol)) +
  6.     labs(
  7.         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。

  1. # Convert to tbl_time
  2. FANG_tbl_time_d <- FANG_tbl_d %>%
  3.     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。

  1. # Show the tbl_time object we created
  2. FANG_tbl_time_d
  1. ## # A time tibble: 3,024 x 8
  2. ## # Index:  date
  3. ## # Groups: symbol [4]
  4. ##    symbol       date  open  high   low close   volume adjusted
  5. ##     <chr>     <date> <dbl> <dbl> <dbl> <dbl>    <dbl>    <dbl>
  6. ##  1     FB 2014-01-02 54.83 55.22 54.19 54.71 43195500    54.71
  7. ##  2     FB 2014-01-03 55.02 55.65 54.53 54.56 38246200    54.56
  8. ##  3     FB 2014-01-06 54.42 57.26 54.05 57.20 68852600    57.20
  9. ##  4     FB 2014-01-07 57.70 58.55 57.22 57.92 77207400    57.92
  10. ##  5     FB 2014-01-08 57.60 58.41 57.23 58.23 56682400    58.23
  11. ##  6     FB 2014-01-09 58.65 58.96 56.65 57.22 92253300    57.22
  12. ##  7     FB 2014-01-10 57.13 58.30 57.06 57.94 42449500    57.94
  13. ##  8     FB 2014-01-13 57.91 58.25 55.38 55.91 63010900    55.91
  14. ##  9     FB 2014-01-14 56.46 57.78 56.10 57.74 37503600    57.74
  15. ## 10     FB 2014-01-15 57.98 58.57 57.27 57.60 33663400    57.60
  16. ## # ... 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。

  1. # Plot the tbl_time object
  2. FANG_tbl_time_d %>%
  3.     ggplot_facet_by_symbol(
  4.         mapping = aes(
  5.             x = date, y = adjusted, color = symbol)) +
  6.     labs(
  7.         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。

  1. # filter_time by day
  2. FANG_tbl_time_d %>%
  3.     filter_time('2014-06-01' ~ '2014-06-15') %>%
  4.     # Plotting
  5.     ggplot_facet_by_symbol(
  6.         mapping = aes(
  7.             x = date, y = adjusted, color = symbol)) +
  8.     geom_point() +
  9.     labs(
  10.         title = "Time Filter: Use functional notation to quickly subset by time",
  11.         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'。

  1. # filter_time by month
  2. FANG_tbl_time_d %>%
  3.     filter_time(~ '2014-03') %>%
  4.     # Plotting
  5.     ggplot_facet_by_symbol(
  6.         mapping = aes(
  7.             x = date, y = adjusted, color = symbol)) +
  8.     geom_point() +
  9.     labs(
  10.         title = "Time Filter: Use shorthand for even easier subsetting",
  11.         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。

  1. # time filter bracket [] notation
  2. FANG_tbl_time_d[~ '2014'] %>%
  3.     # Plotting
  4.     ggplot_facet_by_symbol(
  5.         mapping = aes(
  6.             x = date, y = adjusted, color = symbol)) +
  7.     labs(
  8.         title = "Time Filter: Bracket Notation Works Too",
  9.         subtitle = "FANG_tbl_time_d[~ 2014]")

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：

  1. 函数标记非常灵活：yearly == y == 1 y
  2. 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。

  1. # Convert from daily to monthly periodicity
  2. FANG_tbl_time_d %>%
  3.     as_period(period = "month") %>%
  4.     # Plotting
  5.     ggplot_facet_by_symbol(
  6.         mapping = aes(
  7.             x = date, y = adjusted, color = symbol)) +
  8.     labs(
  9.         title = "Periodicity Change from Daily to Monthly") +
  10.     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。

  1. # Convert from daily to bi-monthly periodicity
  2. FANG_tbl_time_d %>%
  3.     as_period(period = '2 m') %>%
  4.     # Plotting
  5.     ggplot_facet_by_symbol(
  6.         mapping = aes(
  7.             x = date, y = adjusted, color = symbol)) +
  8.     labs(
  9.         title = "Periodicity Change to Daily to Bi-Monthly",
  10.         subtitle = "2~m") +
  11.     geom_point()

让我们继续。那么每半年一次呢？ 只需使用 6 m 即可。

  1. # Convert from daily to bi-annually periodicity
  2. FANG_tbl_time_d %>%
  3.     as_period(period = '6 m') %>%
  4.     # Plotting
  5.     ggplot_facet_by_symbol(
  6.         mapping = aes(
  7.             x = date, y = adjusted, color = symbol)) +
  8.     labs(
  9.         title = "Periodicity Change to Daily to Bi-Annually",
  10.         subtitle = "6~m") +
  11.     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。

  1. # Rolling 60-day mean
  2. roll_mean_60 <- rollify(
  3.     mean, window = 60)
  5. FANG_tbl_time_d %>%
  6.     mutate(
  7.         mean_60 = roll_mean_60(adjusted)) %>%
  8.     select(-c(open:volume)) %>%
  9.     # Plot
  10.     ggplot_facet_by_symbol(
  11.         mapping = aes(
  12.             x = date, y = adjusted, color = symbol)) +
  13.     geom_line(
  14.         aes(y = mean_60),
  15.         color = palette_light()[[6]]) +
  16.     labs(
  17.         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，...）。

  1. # Rolling correlation
  2. roll_corr_60 <- rollify(
  3.     ~ cor(.x, .y, use = "pairwise.complete.obs"),
  4.     window = 60)
  6. FANG_tbl_time_d %>%
  7.     mutate(
  8.         cor_60 = roll_corr_60(
  9.             open, close)) %>%
  10.     select(-c(open:adjusted)) %>%
  11.     # Plot
  12.     ggplot_facet_by_symbol(
  13.         mapping = aes(
  14.             x = date, y = cor_60, color = symbol)) +
  15.     labs(
  16.         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。

  1. # Quantile tbl function
  2. quantile_tbl <- function(x)
  3. {
  4.     q <- quantile(x)
  5.     
  6.     tibble(
  7.         quantile_name  = names(q),
  8.         quantile_value = q)
  9. }
  11. # Test the function
  12. quantile_tbl(1:100)
  1. ## # A tibble: 5 x 2
  2. ##   quantile_name quantile_value
  3. ##           <chr>          <dbl>
  4. ## 1            0%           1.00
  5. ## 2           25%          25.75
  6. ## 3           50%          50.50
  7. ## 4           75%          75.25
  8. ## 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。

  1. # Rollified quantile function
  2. roll_quantile_60 <- rollify(
  3.     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。

  1. # Apply rolling quantile 
  2. FANG_quantile_60 <- FANG_tbl_time_d %>%
  3.     mutate(
  4.         rolling_quantile = roll_quantile_60(adjusted)) %>%
  5.     select(-c(open:adjusted)) %>%
  6.     filter(!is.na(rolling_quantile)) %>%
  7.     unnest()
  9. FANG_quantile_60
  1. ## # A time tibble: 13,940 x 4
  2. ## # Index:  date
  3. ## # Groups: symbol [4]
  4. ##    symbol       date quantile_name quantile_value
  5. ##  *  <chr>     <date>         <chr>          <dbl>
  6. ##  1     FB 2014-03-28            0%        53.5300
  7. ##  2     FB 2014-03-28           25%        57.8750
  8. ##  3     FB 2014-03-28           50%        64.2100
  9. ##  4     FB 2014-03-28           75%        68.6275
  10. ##  5     FB 2014-03-28          100%        72.0300
  11. ##  6     FB 2014-03-31            0%        53.5300
  12. ##  7     FB 2014-03-31           25%        57.9350
  13. ##  8     FB 2014-03-31           50%        64.2100
  14. ##  9     FB 2014-03-31           75%        68.6275
  15. ## 10     FB 2014-03-31          100%        72.0300
  16. ## # ... with 13,930 more rows

最后，画出结果。

  1. FANG_quantile_60 %>%
  2.     ggplot_facet_by_symbol(
  3.         mapping = aes(
  4.             x = date, y = quantile_value,
  5.             color = symbol, group = quantile_name)) +
  6.     labs(
  7.         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。

 友情链接：直通硅谷 　点职佳 　北美留学生论坛

R语言热门文章

  • R语言初学者的一些常见报错指南
  • Installation failed: Timeout was reached: Operation timed out after 10000 milliseconds with 0 out of 0 bytes received
  • R语言数据重塑知识点总结
  • R语言dataframe的常用操作总结
  • 在 R 中估计 GARCH 参数存在的问题（基于 rugarch 包）
  • 《R语言实战（第2版）》高清中文版PDF+高清英文版PDF+源代码
  • PCA
  • R语言科学计数法介绍:digits和scipen设置方式
  • R语言绘制带误差线的条形图
  • 通过R语言统计考研英语（二）单词出现频率

    • R语言推荐文章

  • 随机森林R语言预测工具
  • 地理探测器R语言实现：geodetector
  • R语言初学者的一些常见报错指南
  • R语言学习之线图的绘制详解
  • R语言学习笔记缺失数据的Bootstrap与Jackknife方法
  • R语言关于数据帧的知识点详解
  • 机器学习 - 相关概念与实现流程
  • PCA
  • R语言构建蛋白质网络并实现GN算法
  • 面试题7 指定一个m*n的整数矩阵 如果(r, c)位置元素的元素是0 则将行 r 和列 c 整个变成0 - 雄霸天下-无人能挡

    • 本站QQ群：前端 618073944 | Java 606181507 | Python 626812652 | C/C++ 612253063 | 微信 634508462 | 苹果 692586424 | C#/.net 182808419 | PHP 305140648 | 运维 608723728

    W3xue 的所有内容仅供测试，对任何法律问题及风险不承担任何责任。通过使用本站内容随之而来的风险与本站无关。
    关于我们  |  意见建议  |  捐助我们  |  报错有奖  |  广告合作、友情链接（目前9元/月）请联系QQ：27243702 沸活量
    皖ICP备17017327号-2　皖公网安备34020702000426号