作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等，著有《R语言数据高效处理指南》（《R语言数据高效处理指南》(黄天元)【摘要 书评 试读】- 京东图书）。知乎专栏：R语言数据挖掘。邮箱：huang.tian-yuan@qq.com.欢迎合作交流。

R语言具有深厚的统计学渊源，因此基本包中有一种数据类型专门是为时间序列设计的，那就是ts。直观地思考，一个时间序列数据，其实就是一个数值型向量而已。那么时间序列的数值型向量有什么不同的地方呢？如果能够理解这一点，就能够迅速掌握ts的数据结构。

每一个向量，其实都需要有一个时刻与之对应，而这个时间是我们都能认同的时间系统，即可。比如我们现在要定义1到10这个向量，分别是2001年到2010年的数据。可以这么操作：

ts(data = 1:10,start = 2001,end = 2010)Time Series:
Start = 2001
End = 2010
Frequency = 1 [1]  1  2  3  4  5  6  7  8  9 10

这里定义了起止年份，其实也可以只定义起点就可以了，因为默认的周期是1。也就是说上面的代码其实默认参数frequency = 1。如果不是1会出现什么状况？我们定义为4试试看：

ts(data = 1:10,start = 2001,frequency = 4)Qtr1 Qtr2 Qtr3 Qtr4
2001    1    2    3    4
2002    5    6    7    8
2003    9   10

那么就默认数据是1年有4个季节的数据。同理，如果向量中是连续的月份数值，那么frequency应该设置为12，周则为52，日则为365。比如我们的数据是从2001年2月1日开始的，然后我们拥有的是日尺度的数据，一共有连续400天的数据，那么应该这样设置：

ts(data = 1:400,start = c(2001,2,1),frequency = 365)Time Series:
Start = c(2001, 2)
End = c(2002, 36)
Frequency = 365 [1]   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24[25]  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48[49]  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72[73]  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96[97]  97  98  99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
[121] 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
[145] 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168
[169] 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192
[193] 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
[217] 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240
[241] 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264
[265] 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
[289] 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312
[313] 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336
[337] 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360
[361] 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384
[385] 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400

总体而言，如果start放的是年份，frequency就是一年你有多少个这种数值（多少天、多少周、多少月）。其实start也可以放其他东西，只要心中有数，一个是步长，一个是频率即可。

至于时间序列的可视化，基本包的plot肯定是没有问题的，不过这里推荐使用fpp2这个包，是专门针对我们之前所用教程的，它是基于ggplot2的。下面我们就用这个包来试试：

library(pacman)
p_load(fpp2)autoplot(a10)

这个包会有很多很多的便捷之处，有待我们后面慢慢探索。先给出包的链接：

CRAN - Package fpp2​cran.r-project.org

r语言结构方程模型可视化_R语言时间序列分析（二）：ts对象及其可视化相关推荐

  1. r语言清除变量_R语言:结构方程模型、潜变量分析

    原文链接: R语言:结构方程模型.潜变量分析​tecdat.cn 结构方程模型入门 介绍 对于熟悉线性回归拟合结构方程模型的分析师来说,在R环境中,拟合结构方程模型涉及学习新的建模语法,新的绘图语法以 ...

  2. R语言结构方程模型（SEM）在生态学领域中的应用

    前言:结构方程模型(Sructural Equation Model)是一种建立.估计和检验研究系统中多变量间因果关系的模型方法,它可以替代多元回归.因子分析.协方差分析等方法,利用图形化模型方式清晰 ...

  3. R语言结构方程模型分析与应用

    (R语言平台:模型构建.拟合.筛选及结果发表全流程:潜变量分析:组成变量分析:非线性关系处理.非正态数据.分组数据.嵌套数据分析与处理:混合效应模型:贝叶斯方法:经典案例练习及解读) 现代统计学理论和 ...

  4. R语言:结构方程模型sem、潜变量分析

    原文链接:http://tecdat.cn/?p=3071 对于熟悉线性回归拟合结构方程模型的分析师来说,在R环境中,拟合结构方程模型涉及学习新的建模语法,新的绘图语法以及通常是新的数据输入方法(点击 ...

  5. R语言结构方程模型（SEM）在生态学领域中的实践

    结构方程模型(Sructural Equation Model)是一种建立.估计和检验研究系统中多变量间因果关系的模型方法,它可以替代多元回归.因子分析.协方差分析等方法,利用图形化模型方式清晰展示研 ...

  6. R语言结构方程模型（SEM）教程

    详情点击链接:R语言结构方程模型(SEM)在生态学应用 结构方程模型(Sructural Equation Model)是一种建立.估计和检验研究系统中多变量间因果关系的模型方法,它可以替代多元回归. ...

  7. R与结构方程模型（1）：SEM的核心

    R与结构方程模型 简介 图形模型 有向图(directed graphs) 1.标准回归模型 2.路径分析 2.1.关系类型 2.2.多个目标 2.3.间接效应 2.4.多中介模型 2.4.例子 间接 ...

  8. R与结构方程模型（2）：潜变量

    R与结构方程模型 降维 主成分分析 因子分析(Factor Analysis) 结构和测量模型 因子分析的其他问题 术语 潜变量的其他用途 总结 R包 原文链接:https://m-clark.git ...

  9. R语言结构方程模型SEM、路径分析房价和犯罪率数据、预测智力影响因素可视化2案例

    最近我们被客户要求撰写关于SEM的研究报告,包括一些图形和统计输出. 1 简介 在本文,我们将考虑观察/显示所有变量的模型,以及具有潜在变量的模型.第一种有时称为"路径分析",而后 ...

  10. r 多元有序logistic回归_R语言多分类logistic逻辑回归模型在混合分布模拟单个风险损失值评估的应用...

    原文链接 拓端数据科技 / Welcome to tecdat​tecdat.cn 通常,我们在回归模型中一直说的一句话是" 请查看一下数据 ". 在上一篇文章中,我们没有查看数据 ...

最新文章

  1. SQL Server 2005的安装，SQL Server 2005系列之一
  2. Node.js 开发技能图谱
  3. 信息学奥赛C++语言：与 7 无关的数的个数
  4. php 判断苹果还是安卓,PHP简单判断iPhone、iPad、Android及PC设备的方法
  5. vfpodbc.dll下载， 各版本下载，包含所有版本
  6. Unity3D研究院之mac上从.ipa中提取unity3D游戏资源
  7. r语言的runmed函数_干旱指数新宠—SPEI的C语言版、R语言版与单独执行软件SPEI Calculator...
  8. Laravel 数据库迁移
  9. HDU 1402(FFT,NNT)
  10. 最长不含重复字符的子串
  11. Eclipse中如何查看使用的JDK版本？
  12. stm32 串口下载（ISP下载）
  13. 《MySQL必知必会》学习笔记——组合查询、全文本搜索
  14. 计算机cpu和显卡的搭配要求,如何搭配CPU和显卡最合理
  15. java实现hj协议_HJ212协议java 实现 封装好的环保212协议代码 - 下载 - 搜珍网
  16. Ola Hallengren 脚本 经常问的问题
  17. gdb调试，splint_valgrind代码检查
  18. php管理ssr,基于宝塔面板开发ssrpanel一键脚本 | 刺客博客 - 刺客博客
  19. csdn怎么提问问题？
  20. 室内定位技术WIFI,蓝牙,UWB一较高下，新导智能浅析哪家是王者

热门文章

  1. openstack部署过程中问题记录
  2. Docker-创建支持ssh服务的镜像
  3. 《C++ Primer Plus》10.3 类的构造函数和析构函数 学习笔记
  4. MySQL性能优化的21个最佳实践 和 mysql使用索引
  5. AddHandler php5-script .php\AddType text/html .php和AddType application/x-httpd-php .php的区别？...
  6. android悬浮控件－仿360手机助手应用详情页
  7. ubuntu 压缩率最高的软件_[图]Linux六大压缩算法横评：Ubuntu 19.10最终选择LZ4
  8. python sklearn 梯度下降法_Python- sklearn之梯度下降算法原理
  9. Mac Crack路欧词典(所有版本)
  10. 为什么你很努力，进步却很慢？