Movendo Média Zoo R

Mover médias em R Para o melhor de meu conhecimento, R não tem uma função interna para calcular médias móveis. Usando a função de filtro, no entanto, podemos escrever uma função curta para médias móveis: Podemos então usar a função em qualquer dado: mav (dados), ou mav (dados, 11) se quisermos especificar um número diferente de pontos de dados Do que o padrão 5 plotando obras como esperado: plot (mav (dados)). Além do número de pontos de dados sobre os quais a média, também podemos alterar o argumento de lados das funções de filtro: sides2 usa ambos os lados, sides1 usa apenas valores passados. Compartilhe isto: Navegação de posts Comentário navegação Comentário de navegação Por que é zoo :: rollmean lento em comparação com uma implementação Rcpp simples zoo :: rollmean é uma função útil que retorna a média de rolamento de uma série de tempo para o vetor x de comprimento n e tamanho da janela k ele retorna O vetor c (média (x1: k), média (x2: (k1)). Média (x (n-k1): n)). Notei que parecia estar funcionando lentamente para algum código que eu estava desenvolvendo, então eu escrevi minha própria versão usando o pacote Rcpp e um simples para loop: Para minha surpresa, esta versão da função é muito mais rápida do que o zoo :: rollmean : O speedup é válido mesmo para vetores muito maiores: Por que uma simples implementação do Rcpp é executada 100 vezes mais rápido do que o zoo :: rollmean Melhor Como: Obrigado a DirkEddelbuettel por apontar que a comparação feita na pergunta não era a mais justa porque eu estava comparando Código C para código R puro. O seguinte é uma implementação de base simples R (sem todas as verificações do pacote do zoológico) isto é bastante semelhante ao modo como o zoo :: rollmean implementa a computação do núcleo para a média de rolamento: Comparando a zoo: rollmean. Nós vemos que isso ainda é muito mais rápido: para aprofundar em por que estávamos vendo um 10x speedup enquanto usando base R, eu usei Hadleys lineprof ferramenta, agarrando código fonte da fonte do pacote zoo onde necessário: Claramente quase todo o tempo está sendo Gasto na função na. fill, que é realmente chamado após os valores médios de rolamento já foram calculados. Quase todo o tempo está sendo gasto subconjunto do objeto zoo: Quase todo o tempo subsetting é gasto construindo um novo objeto zoológico com a função zoo: Várias operações necessárias para configurar um novo objeto zoológico (por exemplo, determinar pontos de tempo exclusivos e ordená-los). Em conclusão, o pacote de zoológico parece ter adicionado um monte de sobrecarga para suas operações de médio de rolamento, construindo um novo objeto de zoológico em vez de usar os internos do objeto de zoológico atual isso cria uma desaceleração de 10x em comparação com uma implementação de base R e uma desaceleração de 100x Em comparação com uma implementação do Rcpp. Eu acho que você quer minimizar o quadrado de a-fptotal. Ff lt - function (x) myfun (x) 2 gt otimizar (ff, lower0, upper30000) minimum 1 28356.39 objective 1 1.323489e-23 Ou encontrar a raiz (ou seja, onde myfun (x) 0): uniroot (myfun, intervalc 0,30000)) raiz 1 28356,39 f. root 1 1.482476e-08 iter 1 4 init. it 1 NA estim. prec 1 6.103517e-05. Sua intuição está correta. Colapso é o equivalente Stata da função de agregação de Rs, que produz um novo conjunto de dados de um conjunto de dados de entrada, aplicando uma função de agregação (ou várias funções de agregação, uma por variável) a cada variável de um conjunto de dados. Não use as datas em seu enredo, use uma seqüência numérica como eixo x. Você pode usar as datas como rótulos. Tente algo como isto: yGEDMfg. Shipments. Total..USA. Nlength (y) modela1 lt - auto. arima (y) traço (x1: n, y, xaxtn, xlab) eixo (1, atseq (1, n, comprimento. out20) Length2), las2, cex. axis.5) linhas (montado (modela1), col 2) O resultado dependendo de seus dados será algo semelhante. Se você ler na página de ajuda R para as. Date digitando as. Date você verá que há um formato padrão assumido se você não especificar. Então, para especificar os dados que você faria, nmmapsdate lt - as. Date (nmmapsdate, formatmdY). Use GetFitARpMLE (z, 4) Você obterá gt GetFitARpMLE (z, 4) loglikelihood 1 -2350.516 phiHat ar1 ar2 ar3 ar4 0,0000000 0,0000000 0,0000000 -0,9262513 constantTerm 1 0,05388392. O problema é que você passa a condição como uma seqüência de caracteres e não como uma condição real, portanto, R não pode avaliá-lo quando você quiser. Se você ainda quiser passá-lo como seqüência de caracteres que você precisa para analisar e eval-lo no lugar certo, por exemplo: cond. Ou você poderia colocar um retângulo na região de interesse: rect (xleft1994, xright 1998, ybottomrange (CVDcvd) 1, ytoprange (CVDcvd) 2, densidade10, col azul). Isso deve levá-lo na direção certa, mas certifique-se de verificar os exemplos apontados por Jaap nos comentários. Df lt - data. frame (local c (Airoli, Andheri Oriente, Andheri Oeste, Arya Nagar, Asafa, Bandra Leste, Bandra Oeste), valores. Tem 4 GB de RAM você não pode colocar 5 GB de dados em R. Você pode alternativamente olhar para a seção de dados de memória grande e fora de memória da visualização de tarefa de alto desempenho em R. Pacotes projetados para processos fora de memória Como ff pode ajudá-lo. Depois de uma lista de palavras em Inglês que você pode fazer isso muito simples, olhando para cima cada divisão possível da palavra na lista. Eu vou usar o primeiro hit do Google que eu encontrei para a minha lista de palavras, que contém cerca de 70k palavras em minúsculas: wl lt - read. table (www-personal. umich. edu jlawlerwordlist) V1 check. word lt - function (x, wl) Você pode fazê-lo com o pacote rJava. Install. packages (rJava) library RJava).jinit () jObj. jnew (JClass) result. jcall (jObj, D, method1) Aqui, JClass é uma classe Java que deve estar na variável de ambiente ClassPath, method1 é um static met Hod de JClass que retorna dupla, D é uma notação JNI para uma matriz dupla. Veja essa entrada de blog para. Dado o seu critério - que 322 é representado como 3 e 2045 é 20 - como cerca de dividir por 100 e, em seguida, arredondamento para 0 com trunc (). Time24hr lt - c (1404, 322, 1945, 1005, 945) trunc (time24hr 100). Você pode tentar cSplit biblioteca (splitstackshape) setnames (cSplit (mergedDf, PRODCODE,,), paste0 (X, 1: 4)) NA NA NA NA3: PRD0900121 PRD0900709 PRD0900709 PRD0900709 4: PRD0900353 NA NA NA 5: PRD0900547 PRD0900614 NA NA Ou usando a versão devel de data. table ie biblioteca v1.9.5 (data. table) setDT (mergedDf). Conforme o zoo: A indicação de um objeto zoológico cujos dados contêm valores lógicos é indefinida. Então você precisa embrulhar o subconjunto em uma chamada: logretwhich (is. finite (logret)) lt - 0 logret xyzspt 2005-01-01 0.234 -0.012 0 0 0.454 0. Parece que você está tentando pegar funções de resumo de cada Entrada em uma lista, ignorando os elementos definidos como -999. Você pode fazer isso com algo como: getscalar lt - function (name, FUNmax) Note que Ive mudou sua função. Gostaria de calcular todos os pares de linhas em df: (pares lt - cbind (1: nrow (df), c (2: nrow (df), 1))), 1, 2 1, 1 2 2, 2 3 3 , 3 4 4, 4 5 5, 5 6 6, 6 1 Você pode encontrar o melhor emparelhamento com which. max. Sua chamada sapply está aplicando diversão em todos os valores de x, quando você realmente deseja que ele seja aplicado em todos os valores de i. Para obter o sapply para fazer o que eu suponho que você quer fazer, você pode fazer o seguinte: sapply (X 1: comprimento (x), divertimento divertido, x. Copy () é para copiar data. tables. Copiar uma lista Tente. Zz lt - lapply (z, copy) zz1. NewColumn: 1 Usando seu código original, você verá que a aplicação copy () para a lista não faz uma cópia da data. table original. Ggplot precisa de um dataframe data lt - as. data. frame (data) id variável para a posição em ggplot, mas você precisará fazer alguma remodelação dos dados primeiro. (Data, id. varid) plot ggplot (plotdata, aes (xid, yvalue, groupvariable, colourvariable)) geompoint () geomline (aes (ltyvariable) Em linux, você pode usar awk com fread ou pode ser piped com read. table Aqui, eu mudei o delimitador para. Usando awk pth lt - homeakrunfile. txt alterá-lo para o seu caminho v1 lt - sprintf (awk (IDREFLMN ) Correspondente a OFS, s, pth) an D ler com fread biblioteca (data. table). Algum código reprodutível me permitiria dar-lhe algum código de exemplo, mas na ausência de que. Envolva o que você tem atualmente em outro if (), verificando o comprimento 0 (ou apenas ampamp-lo, com a verificação NULL primeiro) e exibir sua mensagem de marcador de posição favorita. Você pode fazer algo como isto: printtestlt-function (x) printtest (15) Se você deseja executá-lo para uma certa quantidade de iterações use para incorporar um loop for em sua função com o número de iterações. Use ou se você quiser subconjunto por nomes de seqüência de caracteres, não. De Hadleys Advanced R, xy é equivalente a xy, FALSE exata. Criar input input lt - nameslt - (lapply (landelist, function (x) sample (0: 1, 1)), landelist) filterland lt - c () para (landeselect in landelist) if (inputlandeselect TRUE) use. Você pode simplesmente usar inputselectRunid como este: content (GET (stats, pathgentrapalignments, querylist (runIdsinputselectRunid, userIddev) addheaders (X-SENTINEL-KEYdev), como analisado)) É provavelmente sábio adicionar algum tipo de botão de ação e download de trigger somente No clique. R prefere usar i em vez de j. Note também que o complexo é diferente do asplex eo último é usado para conversão. Você pode fazer myStr lt - 0.760.41j myStrcomplex lt - asplex (sub (j, i, myStr)) Im (myStrcomplex) 1 0,41. Outra possível biblioteca de soluções data. table (data. table) setDT (df1), list (Value c (uncensored, censored), Time c (Timematch (uncensored, Value) ))), Por ID ID Valor Tempo 1: 1 não censurado 3 2: 1 censurado 5 3: 2 sem censura 2 4: 2 censurado 5 Ou similarmente. Usando dplyr para o seu primeiro problema: leftjoin (contatos, listagens, por c (ID id)) gt filtro (abs (listingdate - contactdate) lt 30) gt groupby (id) gt resumo (cnt n () E a saída é: id cnt cidade listagem de data 1 6174 2 A 2015-03-01 2 2175 3 B 2015-03-14 3 9176 1 B 2015-03-30. Você pode colocar seus registros em um data. frame e, em seguida, dividido pelas cateogias e, em seguida, executar a correlação para cada uma das categorias. Isto pode parecer mais bonito com a biblioteca de biblioteca dplyr (dplyr) data. frame (var1var1, var2var2, categoriascategorias) gt (xml, g2) Groupby (categorias) gt resume (cor cor (var1, var2)). Geralmente não é uma boa idéia para tentar adicionar linhas um-em-um-tempo para um data. frame. É melhor gerar todos os dados da coluna de uma só vez e, em seguida, jogá-lo em um data. frame. Para seu exemplo específico, a função ifelse () pode ajudar listlt-c (10,20,5) data. frame (xlist, yifelse (listlt8, Greater, Less)). Regressão múltipla multivariada pode ser feita por lm (). Isto é muito bem documentado, mas aqui segue um pequeno exemplo: matriz de lt-matriz de rawMat (rnorm (200), ncol2) matriz de ruído (rnorm (200, 0, 0,2), ncol2) Ncol2) P lt - t (B t (rawMat)) ajuste de ruído lt - lm (P rawMat) resumo (ajuste). Supondo que você deseja obter o rowSums de colunas que têm o Windows como nomes de colunas, nós subconjunto do conjunto de dados (sep1) usando grep. Em seguida, obter o rowSums (Sub1), dividir pelo rowSums de todas as colunas numéricas (sep14: 7), multiplicar por 100 e atribuir os resultados a uma nova coluna (newCol) Sub1. Usando a biblioteca data. table (data. table) setDT (df1), list (pagespaste (página, colapso)), list (userid, dateas. Date (date, mdY)) Ou usando dplyr biblioteca (dplyr) df1 gt groupby , Dateas. Date (data, mdY)) gt resumir (pagespaste (página, colapso)) Moving Average Peço desculpas pelo meu post desordenado que deriva da minha própria confusão. E depressão também. Na verdade eu embora eu estava feito com um pedaço grande de um projeto e para o meu desânimo descobri que há mais a fazer. Estou tentando adaptar um algoritmo, baseado em análise wavelet avançado, para os meus sinais de respiração. O algoritmo original foi implementado em Fortran pelo matemático autor da teoria subjacente. Eu a implementei em linguagem R com algumas pequenas mudanças devido à natureza do fenômeno que estou estudando. Como meus resultados e os resultados dos matemáticos discordam sobretudo no mesmo sinal de amostra, sugeri-me remover os componentes de baixa freqüência antes de iniciar a análise wavelet. Ao reler sua sugestão, fiquei cada vez mais confuso. Até onde eu sei Moving Average é um dos filtros de passagem baixa DSP mais simples. Portanto, não consigo entender como MA pode ser usado para remover componentes de baixa freqüência. Nem posso entender oi sugestão que eu colar no seguinte. Você tem um sinal bastante curto - apenas 120 amostras. Eu evito em relação aos coeficientes de wavelet em níveis de detalhe sênior porque seu intervalo de suporte principal é da mesma ordem que o intervalo de tempo inteiro e o efeito circular de transformada de wavelet finita discreta é muito forte para eles. Assim, se o comprimento de séries de tempo é igual a N2k, então eu trabalho com níveis de detalhe de 1 a (k-3). Isso significa que para esta série de tempo k7 e os níveis de detalhe de trabalho são 1,2,3. Além disso você usa a extensão periódica do sinal enquanto eu uso zero preenchimento até o comprimento mais próximo N2k e eu não incluem em análise zero coeficientes wavelet que surge devido a zero preenchimento. Além disso, o SpAn remove automaticamente antes da análise wavelet os componentes de baixa freqüência do sinal (que são a principal fonte de efeito circular) pela média móvel dentro da janela de tempo do raio 2 (k-3). Eu recomendo que você remova os componentes de baixa freqüência também, por exemplo, por polinômios locais da 2ª ordem com janela de tempo em movimento do raio 8 amostras (o comprimento da janela em movimento é 17, ou seja, um pouco mais de 16 - escala máxima Para o nível de detalhe 3-rd).quot Muito obrigado, Maura eu vi Gabors resposta, mas tem um esclarecimento para solicitar. Você diz que deseja remover componentes de baixa freqüência, mas então você solicita funções de suavização. O termo quotsmoothingquot implica remoção de componentes de alta freqüência de uma série. Se alisar realmente é o seu objetivo, então o recurso R adicional seria smooth. spline, loess (lowess), ksmooth ou usando termos de suavização em regressões. Venables e Ripley têm alguns exemplos trabalhados de tal em MASS. Gt Estou procurando alguma ajuda na remoção de componentes de baixa freqüência de gt um sinal, através de média móvel em uma janela deslizante. Eu entendo que este é um procedimento de alisamento que eu nunca fiz na minha vida gt antes. suspiro. Gt gt Eu procurei em R archives e encontrei quotrollmeanquot, quotMovingAverages quot, gt quotSymmetricMAquot. Gt Nenhuma das funções acima mencionadas parece aceitar a ordem polinomial gt de suavização e a janela deslizante com como parâmetros de entrada. Gt Talvez eu esteja faltando alguma coisa. Gt gt Eu me pergunto se há alguns blocos de construção em R se nem mesmo uma função gt que faz tudo isso (eu não espero que muito, embora). Gt Mesmo algumas referências bibliográficas e / ou tutoriais são muito bem-vindas. Gt gt Muito obrigado, gt Maura gt gt gt gt tutti i telefonini TIM gt gt gt alternativa versão HTML gt gt gt ocultou e-mail mailing list gt stat. ethz. chmailmanlistinfor-ajuda gt POR FAVOR leia o guia de postagem R-projeto. Orgposting-guide. html gt e fornecer código comentado, mínimo, autônomo, reproduzível. Tutti i telefonini TIM alternativo versão HTML suprimido Em resposta a este post por David Winsemius Em 26-Fev-09 13:54:51, David Winsemius escreveu: gt Eu vi Gabors resposta, mas tem um esclarecimento para solicitar. Você diz que deseja remover componentes de baixa freqüência, mas então você solicita funções de suavização gt. O termo quotsmoothingquot implica remoção de componentes gt de alta freqüência de uma série. Se você produz uma série suavizada, seu resultado, naturalmente, contém os componentes de baixa freqüência, com os componentes de alta freqüência removidos. Mas se você subtrair isso da série original, o resultado contém os componentes de alta freqüência, com os compinentes de baixa freqüência removidos. A média móvel é uma forma de suavização (mas pode introduzir componentes periódicos que não estavam lá para começar). Filtrar uma série de tempo é uma atividade muito aberta Em muitos casos, um começo útil é a exploração das propriedades espectrais da série, para a qual R tem várias funções. Spectrum () no pacote stats (carregado bvy default) é uma função básica. Help. search (quottime seriesquot) vai lançar um monte de funções. Você pode querer olhar para o pacote ltsa (análise de séries de tempo linear). Alternativamente, se você já tem boas informações sobre a estrutura de freqüência da série, ou (por exemplo) sabe que tem uma componente sazonal definida por vontade, então você pode embarcar em projetar uma função de transferência especificamente sintonizada para o trabalho. Dê uma olhada no RSiteSearch (quot quot) Esperando que isso ajude, Ted. Gt Se suavização realmente é o seu objetivo, em seguida, recurso R adicionais seria gt smooth. spline, loess (ou lowess), ksmooth, ou usando termos suavização em gt regressões. Venables e Ripley têm bastantes exemplos trabalhados de gt tais em MASSA. Eu estou procurando alguma ajuda na remoção de componentes de baixa freqüência de gtgt um sinal, através de Mover média em gt gt gt gt gt gt gt gt - Uma janela corrediça. Eu entendo que este é um procedimento de suavização que eu nunca fiz na minha vida antes. suspiro. Gtgt gtgt Eu procurei R arquivos e encontrei quotrollmeanquot, quotMovingAverages quot, gtgt quotSymmetricMAquot. Gtgt Nenhuma das funções acima mencionadas parece aceitar a ordem polinomial gtgt de suavização e a janela deslizante com como parâmetros de entrada. Gtgt Talvez eu esteja faltando alguma coisa. Gtgt gtgt Gostaria de saber se há alguns blocos de construção em R se nem mesmo uma função gtgt que faz tudo (eu não espero que muito, embora). Mesmo algumas referências bibliográficas e / ou tutoriais são muito bem-vindos. Gtgt gtgt gtgt gtgt gtgt gtgt gtgt gtgt gtgt gtgt gtgt gtgt gtgt gtgt alternativo gtgt gtgt opção gtgt gtgt gtgt gtgt gtgt lista de discussão ocultos gtgt stat. ethz. chmailmanlistinfor-help gtgt POR FAVOR leia o guia de postagem gtgt R-projeto. orgposting-guide. html gtgt e fornecer código comentado, mínimo, autônomo, reproduzível. Gt gt gt lista de discussão oculta e-mail gt stat. ethz. chmailmanlistinfor-help gt POR FAVOR leia o guia de postagem gt R-project. orgposting-guide. html gt e fornecer código comentado, mínimo, auto-contido, reproduzível. Eu escrevi um pequeno código usando Fourier filtragem se você gostaria de dar uma olhada neste: library (StreamMetabolism) biblioteca (mFilter) x lt - read. production (file. choose ()) contiguous. zoo (data. frame (x, QuotRM202DO. Concquot))) contiguous. zoo (data. frame (x, quotRM61DO. Concquot, coredata (x, quotRM61DO. Concquot))) short lt - x42685: 48535, quotRM202DO. Concquot short lt - x53909: 59957, quotRM61DO. Concquot short. ts lt - ts (coredata (curto), frequency96) fourier filtragem short. fft lt - fft (short. ts) parcela (Re (short. fft), xlimc (0,10) , Ylimc (-1000, 1000)) short. fft789: 5563 00i short. ifft fft (short. fft, inverso TRUE) comprimento (short. fft) zoo série filt lt - zoo (coredata (Re (short. ifft)). Índice (curto)) par (mfrowc (2,1)) traço (curto) traço (filt) window. plot lt - função (x, y, a, b, s, d) Window. plot (short, filt, quot04172007quot, quot00: 01: 00quot, window. plot (window. chron (x, a, b, s, d) Quot04172007quot, 23: 46: 00) plot. e lt-function ( (A, ylimrange (a) 0,06c (-1, 1)) linhas (a0,98, Colquotbluequot) (a1.02, colquotredquot) pode não ser exatamente o que você quer, mas você terá uma alça sobre quais propriedades espectrais que você removeu. Em 26, Feb-09 13:54:51, David Winsemius escreveu: gtgt Eu vi Gabors responder, mas tem um esclarecimento para solicitar. Você diz que gtgt deseja remover componentes de baixa freqüência, mas então você solicita funções de gtgt de suavização. O termo quotsmoothingquot implica remoção de componentes gtgt de alta freqüência de uma série. Gt gt Se você produz uma série suavizada, seu resultado, obviamente, contém gt os componentes de baixa freqüência, com os componentes de alta freqüência gt removidos. Gt gt Mas se você subtrair isso da série original, o resultado gt contém os componentes de alta freqüência, com os comptentes gt de baixa freqüência removidos. Gt gt A média móvel é uma forma de suavização (mas pode introduzir componentes gt periódicos que não estavam lá para começar). Gt gt Filtrar uma série temporal é uma atividade muito aberta Em muitos casos gt, um começo útil é a exploração das propriedades espectrais gt da série, para a qual R tem várias funções. Spectrum () gt no pacote stats (carregado bvy default) é uma função básica. Gt help. search (quottime seriesquot) vai lançar um monte de funções. Gt gt Você pode querer olhar para o pacote ltsa (análise de tempo linear gt análise). Gt gt Alternativamente, se você já tem boas informações sobre a estrutura de freqüência gt da série, ou (por exemplo) saiba que gt tem uma componente sazonal definida por vontade, então você pode embarcar gt em projetar uma função de transferência especificamente sintonizada o emprego. Gt Olhe para RSiteSearch (quot quot) gt gt Esperando isso ajuda, gt Ted. Gt gt gt gtgt Se alisamento é realmente o seu objetivo, em seguida, recurso R adicionais seria gtgt smooth. spline, loess (ou lowess), ksmooth, ou usando termos suavização em gtgt regressões. Venables e Ripley têm alguns exemplos trabalhados de gtgt como em MASS. Gtgt gtgt - gtgt David Winsemius gtgt gtgt gtgt Em 26 de fevereiro de 2009, às 7:07, e-mail lthidden gt escreveu: gtgt gtgtgt Estou procurando alguma ajuda na remoção de componentes de baixa freqüência de gtgtgt um sinal, através da média móvel Uma janela deslizante. Eu entendo que este é um procedimento de alisamento que eu nunca fiz na minha vida antes. suspiro. Gtgtgt gtgtgt Eu procurei R arquivos e encontrei quotrollmeanquot, quotMovingAverages quot, gtgtgt quotSymmetricMAquot. Gtgtgt Nenhuma das funções acima mencionadas parece aceitar a ordem polinomial gtgtgt de suavização e a janela deslizante com como parâmetros de entrada. Gtgtgt Talvez eu esteja faltando alguma coisa. Gtgtgt gtgtgt Gostaria de saber se há alguns blocos de construção em R se não mesmo uma função gtgtgt que faz tudo (eu não espero que muito, embora). Gtgtgt Mesmo algumas referências bibliográficas e / ou tutoriais são muito bem-vindas. Gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt alternativa gtgtgt opção gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt lista de discussão ocultos e-mail gtgtgt stat. ethz. chmailmanlistinfor-ajuda gtgtgt POR FAVOR leia o guia de postagem gtgtgt R-projeto. orgposting-guide. html gtgtgt e fornecer código comentado, mínimo, auto-contido e reprodutível. Gtgt gtgt gtgt lista de discussão oculta e-mail gtgt stat. ethz. chmailmanlistinfor-help gtgt POR FAVOR, leia o guia de postagem gtgt R-project. orgposting-guide. html gtgt e forneça código comentado, mínimo, auto-suficiente e reproduzível. Gt gt ------------------------------------------------ -------------------- gt E-Mail: (Ted Harding) lthidden e-mail gt gt Fax-para-e-mail: 44 (0) 870 094 0861 gt Data: 26 - Feb-09 Hora: 14:54:43 gt ------------------------------ XFMail ------- ----------------------- gt gt gt lista de e-mail escondida gt stat. ethz. chmailmanlistinfor-help gt POR FAVOR leia o guia de postagens R-project. orgposting - guide. html gt e fornecer código comentado, mínimo, autônomo, reproduzível. Gt Não vamos gastar nosso tempo e recursos pensando em coisas que são tão pequenas ou tão grandes que tudo o que realmente fazem por nós é soprar-nos e nos fazer sentir como deuses. Nós somos mamíferos, e não esgotaram os problemas irritantes pequenos de ser mamíferos. Em resposta a este post por Ted. Harding-2 Em 26 de fevereiro de 2009, às 09:54, (Ted Harding) escreveu: gt Em 26-Fev-09 13:54:51, David Winsemius escreveu: gtgt Eu vi Gabors Resposta, mas tem um esclarecimento para solicitar. Você diz que gtgt deseja remover componentes de baixa freqüência, mas então você solicita gtgt suavização funções gtgt. O termo quotsmoothingquot implica remoção de componentes gtgt de alta freqüência de uma série. Gt gt Se você produz uma série suavizada, seu resultado, obviamente, contém gt os componentes de baixa freqüência, com os componentes de alta freqüência gt removidos. Gt gt Mas se você subtrair isso da série original, o resultado gt contém os componentes de alta freqüência, com os comptentes gt de baixa freqüência removidos. Sim. O termo da série de tempo seria quotdetrendingquot ou quotde-trendingquot. Gt gt gt A média móvel é uma forma de suavização (mas pode introduzir componentes gt periódicos que não estavam lá para começar). Gt gt Filtrar uma série temporal é uma atividade muito aberta Em muitos casos gt, um começo útil é a exploração das propriedades espectrais gt da série, para a qual R tem várias funções. Spectrum () gt no pacote stats (carregado bvy default) é uma função básica. Gt help. search (quottime seriesquot) vai lançar um monte de funções. Gt gt Você pode querer olhar para o pacote ltsa (análise de tempo linear gt análise). gt gt Alternativamente, se yuou já tem boas informações sobre o gt frequency-estrutura da série, ou (por exemplo) sabem que gt tem um componente sazonal definido vontade, então você poderia embarcar gt em projetar uma função de transferência ajustado especificamente para o emprego. Gt Dê uma olhada em RSiteSearch (quot quot) Como a resposta OPs indica, ela já está usando análise wavelet. A minha pergunta neste momento é se ela deve ser aconselhada a ignorar os componentes de baixa freqüência e se concentrar nos componentes de média e alta freqüência. Se você já tem algum tipo de decomposição espectral, não deve haver necessidade de uma subtração ou de-tendência passo. Esperando isso ajuda, gt Ted. gt gt gt gtgt Se suavização realmente é o seu objetivo, em seguida, recurso de R adicional seria smooth. spline gtgt, loess (ou Lowess), ksmooth, ou o uso de termos de suavização gtgt em regressões gtgt. Venables e Ripley têm alguns exemplos trabalhados de gtgt como em MASS. gtgt gtgt - gtgt David Winsemius gtgt gtgt gtgt Em 26 de fevereiro de 2009, em 7:07 AM, gt email lthidden escreveu: gtgt gtgtgt Eu estou procurando alguma ajuda na remoção de componentes de baixa frequência a partir gtgtgt um sinal, através de média móvel em Uma janela deslizante. Eu entendo que este é um procedimento de alisamento que eu nunca fiz na minha vida antes. suspiro. Gtgtgt gtgtgt Eu procurei R arquivos e encontrei quotrollmeanquot, quotMovingAverages quot, gtgtgt quotSymmetricMAquot. Gtgtgt Nenhuma das funções acima mencionadas parece aceitar a ordem polinomial gtgtgt de suavização e a janela deslizante com como parâmetros de entrada. Gtgtgt Talvez eu esteja faltando alguma coisa. Gtgtgt gtgtgt Gostaria de saber se há alguns blocos de construção em R se nem mesmo uma função gtgtgt que faz tudo (eu não espero que muito, embora). Gtgtgt Mesmo algumas referências bibliográficas e / ou tutoriais são muito bem-vindas. gtgtgt gtgtgt Muito obrigado, gtgtgt Maura gtgtgt gtgtgt gtgtgt gtgtgt tutti i telefonini TIM gtgtgt gtgtgt gtgtgt versão alternativa HTML gtgtgt eliminado gtgtgt gtgtgt escondido lista de correio electrónico gtgtgt stat. ethz. chmailmanlistinfor-ajuda gtgtgt Leia a informação projeto-R guia postagem gtgtgt. orgposting-guide. html gtgtgt e fornecer código comentado, mínimo, auto-contido e reprodutível. gtgt gtgt gtgt escondido e-mail mailing list gtgt stat. ethz. chmailmanlistinfor-ajuda gtgt POR FAVOR, leia o guia postagem gtgt gtgt guide. html R-project. orgposting-e fornecer comentou, mínimo, código reprodutível, auto-suficiente. Gt gt ------------------------------------------------ -------------------- gt E-Mail: (Ted Harding) lthidden e-mail gt gt Fax-para-e-mail: 44 (0) 870 094 0861 gt Data: 26 - Feb-09 Hora: 14:54:43 gt ------------------------------ XFMail ------- ----------------------- gt mav (c (4,5,4,6), 3) Séries Temporais: Início 1 End 4 Frequência 1 1 NA 4.333333 5.000000 nA Aqui eu estava tentando fazer uma média móvel, que teve em conta os 3 últimos números, então eu esperava para obter apenas dois números nas costas 8211 4.333333 e 5 8211 e se houvesse vai ser valores nA pensei they8217d estar no início Da sequência. Na verdade, verifica-se isto é o que o parâmetro 8216sides8217 controla: lados apenas para filtros de convolução. Se os lados 1 os coeficientes de filtro são para os valores passados ​​apenas se os lados 2 eles são centrados em torno de atraso 0. Neste caso, o comprimento do filtro deve ser estranho, mas se é mesmo, mais do filtro é para a frente no tempo do que para trás. Assim, na nossa função 8216mav8217, a média de rolamento considera ambos os lados do valor atual em vez de apenas valores passados. Nós podemos ajustar isso para obter o comportamento que queremos: gt library (zoo) gt rollmean (c 4,5,4,6), 3) 1 4.333333 5.000000 Eu também percebi que posso listar todas as funções em um pacote com o 8216ls8217 Função para I8217ll ser varredura zoo8217s lista de funções da próxima vez que eu preciso fazer algo série de tempo relacionados 8211 there8217ll provavelmente já seja uma função para ele gt ls (quotpackage: zooquot) 1 quotas. Datequot quotas. Date. numericquot quotas. Date. tsquot 4 Quotas. Date. yearmonquot quotas. Date. yearqtrquot quotas. yearmonquot 7 quotas. yearmon. defaultquot quotas. yearqtrquot quotas. yearqtr. defaultquot 10 quotas. zooquot quotas. zoo. defaultquot quotas. zooregquot 13 quotas. zooreg. defaultquot quotautoplot. zooquot quotcbind. Zooquot 16 quotcoredataquot quotcoredata. defaultquot quotcoredatalt-quot 19 quotfacetfreequot quotformat. yearqtrquot quotfortify. zooquot 22 quotfrequencylt-quot quotifelse. zooquot quotindexquot 25 quotindexlt-quotindex2charquot quotis. regularquot 28 quotis. zooquot quotmake. par. listquot q UotMATCHquot 31 quotMATCH. defaultquot quotMATCH. timesquotquest. medicam. zooquot 34 quotmerge. zooquot quotna. aggregatequot quotna. aggregate. defaultquot 37 quotna. approxquot quotna. approx. defaultquot quotna. fillquot 40 quotna. fill. defaultquotquotna. locfquot quotna. locf. defaultquot 43 Quotna. splinequot quotna. spline. defaultquot quotna. spline. defaultquot quotna. StructTSquot 46 quotna. trimquot quotna. trim. defaultquot quotna. trim. tsquot 49 quotORDERquot quotORDER. defaultquot quotpanel. lines. itsquot 52 quotpanel. lines. tisquot quotpanel. lines. tsquot quotpanel. lines. Zooquot 55 quotpanel. plot. customquot quotpanel. plot. defaultquot quotpanel. points. itsquot 58 quotpanel. points. tisquot quotpanel. points. tsquot quotpanel. points. zooquot 61 quotpanel. polygon. itsquot quotpanel. polygon. tisquot quotpanel. polygon. tsquot 64 Quotpanel. polygon. zooquot quotpanel. rect. itsquot quotpanel. rect. tisquot 67quotpanel. rect. tsquotquotpanel. rect. zooquotquotpanel. segments. itsquot 70quotpanel. segments. tisquotquopanel. segments. tsquotquotpanel. se O. Quotquot. Quotquot. Quotquot. Quotquot. Quotquot. Quotquot. Quotquot. Quotquot. Quotquot. Quotquot. Quotquot. quotrollmeanquot 88 quotrollmean. defaultquot quotrollmeanrquot quotrollmedianquot 91 quotrollmedian. defaultquot quotrollmedianrquot quotrollsumquot 94 quotrollsum. defaultquot quotrollsumrquot quotscalexyearmonquot 97 quotscalexyearqtrquot quotscaleyyearmonquot quotscaleyyearqtrquot 100 quotSys. yearmonquot quotSys. yearqtrquot quottimelt-quot 103 quotwrite. zooquot quotxblocksquot quotxblocks. defaultquot 106 quotxtfrm. zooquot quotyearmonquot quotyearmontransquot 109 quotyearqtrquot quotyearqtrtransquot Quotzooquot 112 quotzooregquot Be Sociable, Share