Nano Hash - криптовалюты, майнинг, программирование

Объединение двух разных кадров данных в R

У меня есть два фрейма данных. Один состоит из трех переменных, а именно «дата», «страйк» и «объем» с 20 наблюдениями в день, 100 в месяц и 1200 в год (в торговые дни), что выглядит следующим образом.

Date         Price       Vol
2008-09-01   20          0.2
2008-09-01   30          0.5
...

Итак, для каждого месяца у меня есть определенные значения цены и объема в диапазоне от 10 до 40, от 0,1 до 0,7 соответственно.
Второе включает интерполированные значения из первого. Так что у меня больше нет даты, но небольшие шаги для других переменных:

  Price       Vol
   20          0.2
   21          0.21
   22          0.24
   30          0.5

Итак, в то время как один кадр показывает значения в дискретное время, другой более или менее имеет непрерывный характер.
Теперь мой вопрос: как можно сказать R объединить второй кадр данных с первым, взяв на себя даты для непрерывных цен / объемов между двумя дискретными, чтобы получить что-то вроде этого:

Date         Price       Vol
2008-09-01   20          0.2
2008-09-01   21          0.21
2008-09-01   22          0.24
...
2008-09-01   30          0.5

Я просто не могу понять, как это сделать. Я всегда получал значения NA для дат, которые больше не в порядке возрастания.

Большое спасибо за вашу поддержку
Дэни

r time-series
19.11.2010

  • пожалуйста, добавьте код, который дает нежелательный результат, и сообщите нам структуру ваших данных. дата класса POSIXlt, данные, хрон, символ, ...? Например. 19.11.2010

Ответы:


1

Я совершенно упустил суть первого поста. Этот делает свидание. Но я согласен с Шейном в том, что, если для какой-либо последующей функции не требуются кадры данных, тогда временной ряд - хорошая идея.

A <- data.frame(date=rep("2001-05-25", 2), price=c(20, 30), vol=c(0.2, 0.5))
B <- data.frame(price=seq(min(A$price), max(A$price), by=1))
C <- merge(A, B, all=TRUE)
index <- which(!is.na(C$vol))
for (i in seq(nrow(A))[-1]) {
    C$date[index[i-1]:index[i]] <- rep(A$date[i-1], A$price[i] - A$price[i-1] + 1)
    C$vol[index[i-1]:index[i]] <- seq(A$vol[i-1], A$vol[i], length=(A$price[i] - A$price[i-1] + 1))
}
ans <- C[, c(2, 1, 3)]

 ans 
         date price  vol
1  2001-05-25    20 0.20
2  2001-05-25    21 0.23
3  2001-05-25    22 0.26
4  2001-05-25    23 0.29
5  2001-05-25    24 0.32
6  2001-05-25    25 0.35
7  2001-05-25    26 0.38
8  2001-05-25    27 0.41
9  2001-05-25    28 0.44
10 2001-05-25    29 0.47
11 2001-05-25    30 0.50
19.11.2010

2

Сначала используйте класс временного ряда (например, zoo или xts).

Ваш второй интерполированный временной ряд должен по-прежнему иметь метку времени, даже если это ежечасно или ежеминутно и т. Д. Используйте merge, чтобы свести их вместе, затем используйте na.locf, чтобы перенести значения из временного ряда с более низкой частотой.

Вот пример:

ts1 <- zoo(1:5, as.POSIXct(as.Date("2010-10-01") + 1:5))
ts2 <- zoo(1:(5 * 24), as.POSIXct("2010-10-01 00:00:00") + (1:(5 * 24) * 3600))
na.locf(merge(ts1, ts2))
19.11.2010
  • Боюсь, это правильное решение неправильного вопроса. Вам даже не нужны временные ряды. Смотрите Дата как фактор, от которого уровни должны распространяться по второму фрейму данных, начиная со значений первого фрейма данных. Лень искать решение, но оно уже здесь решено. 19.11.2010
  • @Joris Я могу что-то упустить, но я думаю, что мой пример делает то, что он хочет. И да, временные ряды не нужны, но они полезны. 19.11.2010
  • Ваша отправная точка неверна. ts1 должен выглядеть как zoo (seq (1, by = 24, length.out = 5), as.POSIXct (as.Date (2010-10-01) + 1: 5)). И тогда вы должны получить фрейм данных, в котором даты в ts1 повторяются 24 раза, но со значениями ts2. По крайней мере, я так и сделал. 19.11.2010
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..