r在绘制日内数据时，如何从x轴上删除工作日后时段（以及周末和全天）
在R中，我以5分钟为间隔绘制一些日内价格数据，因此需要修改x轴，以删除市场关闭的时间段，即周一至周五下午4点至上午9点，节假日除外 我使用bdscale软件包最接近于实现这一点，该软件包并不是专门设计用来删除工作日的下班时间段，但在某种程度上确实做到了这一点 这里是一个可还原的示例，尽管它需要alpha-vantage API密钥（免费）r在绘制日内数据时，如何从x轴上删除工作日后时段（以及周末和全天）,r,ggplot2,quantmod,R,Ggplot2,Quantmod,在R中，我以5分钟为间隔绘制一些日内价格数据，因此需要修改x轴，以删除市场关闭的时间段，即周一至周五下午4点至上午9点，节假日除外 我使用bdscale软件包最接近于实现这一点，该软件包并不是专门设计用来删除工作日的下班时间段，但在某种程度上确实做到了这一点 这里是一个可还原的示例，尽管它需要alpha-vantage API密钥（免费） 我不确定是否有一个简单的解决方案，可以在不将刻度转换为离散刻度的情况下，以您希望的方式更改断点 这样做的缺点是，您无法像scale\u x\u datetim
我不确定是否有一个简单的解决方案，可以在不将刻度转换为离散刻度的情况下，以您希望的方式更改断点 这样做的缺点是，您无法像
scale\u x\u datetime#转换为字符列并设置方便的列以进行分隔
df%
变异（timestamp_chr=as.character（df$timestamp），
天=润滑脂：：天（时间戳），
小时=润滑脂：：小时（时间戳），
分钟=润滑：分钟（时间戳），
new_day=if_else（day！=lag（day）| is.na（lag（day）），1，0）
df
##A tible:100 x 7
#时间戳p天小时分钟时间戳\u chr新\u天
#
# 1 2019-07-16 14:15:00 300. 16 14 15 2019-07-16 14:15:00 1
# 2 2019-07-16 14:20:00 300. 16 14 20 2019-07-16 14:20:00 0
# 3 2019-07-16 14:25:00 300. 16 14 25 2019-07-16 14:25:00 0
# 4 2019-07-16 14:30:00 300. 16 14 30 2019-07-16 14:30:00 0
# 5 2019-07-16 14:35:00 300. 16 14 35 2019-07-16 14:35:00 0
# 6 2019-07-16 14:40:00 300. 16 14 40 2019-07-16 14:40:00 0
# 7 2019-07-16 14:45:00 300. 16 14 45 2019-07-16 14:45:00 0
# 8 2019-07-16 14:50:00 300. 16 14 50 2019-07-16 14:50:00 0
# 9 2019-07-16 14:55:00 300. 16 14 55 2019-07-16 14:55:00 0
# 10 2019-07-16 15:00:00 300. 16 15 0 2019-07-16 15:00:00 0
##…还有90行
#等间距中断
my_breaks我不确定是否有一个简单的解决方案，可以在不将刻度转换为离散刻度的情况下，按照您希望的方式更改刻度
这样做的缺点是，您无法像scale\u x\u datetime
那样灵活地设置中断。为了解决这个问题，我给出了一些例子，说明如何通过修改数据帧来设置一些方便的中断，如下例所示。我还将时间戳列转换为一个字符，用于离散刻度
我假设，由于您正在获取市场小时数的数据，因此市场小时数已经由数据中的时间戳列定义。这样可以避免定义不包括假日等的自定义比例
#转换为字符列并设置方便的列以进行分隔
df%
变异（timestamp_chr=as.character（df$timestamp），
天=润滑脂：：天（时间戳），
小时=润滑脂：：小时（时间戳），
分钟=润滑：分钟（时间戳），
new_day=if_else（day！=lag（day）| is.na（lag（day）），1，0）
df
##A tible:100 x 7
#时间戳p天小时分钟时间戳\u chr新\u天
#
# 1 2019-07-16 14:15:00 300. 16 14 15 2019-07-16 14:15:00 1
# 2 2019-07-16 14:20:00 300. 16 14 20 2019-07-16 14:20:00 0
# 3 2019-07-16 14:25:00 300. 16 14 25 2019-07-16 14:25:00 0
# 4 2019-07-16 14:30:00 300. 16 14 30 2019-07-16 14:30:00 0
# 5 2019-07-16 14:35:00 300. 16 14 35 2019-07-16 14:35:00 0
# 6 2019-07-16 14:40:00 300. 16 14 40 2019-07-16 14:40:00 0
# 7 2019-07-16 14:45:00 300. 16 14 45 2019-07-16 14:45:00 0
# 8 2019-07-16 14:50:00 300. 16 14 50 2019-07-16 14:50:00 0
# 9 2019-07-16 14:55:00 300. 16 14 55 2019-07-16 14:55:00 0
# 10 2019-07-16 15:00:00 300. 16 15 0 2019-07-16 15:00:00 0
##…还有90行
#等间距中断
我的休息时间我建议每天做一次facet\u wrap
或facet\u grid
我们不需要注册密钥，您可以发布一个dput
的数据位来重现问题吗？我应该执行什么dput（gg）
？dput（df）
请：-）@TobiO完成，见上文。我建议每天做一个方面facet\u wrap
或facet\u grid
我们不需要注册密钥，您可以发布一个dput
的数据位来重现问题吗？我应该执行什么<代码>dput（gg）
？dput（df）
请：-）@TobiO完成，见上文。
library(tidyquant)
library(alphavantager)
library(bdscale)
library(scales)
this_ts <- "SPY"
av_api_key("YOUR_KEY_HERE")
df_ohlcv <- this_ts %>%
tq_get(get = "alphavantager", av_fun = "TIME_SERIES_INTRADAY", interval = "5min")
df_ohlcv$p <- rowSums(df_ohlcv[, c(3:5)]) / 3
df <- df_ohlcv[, c("timestamp", "p")]
gg <- ggplot(df, aes(x = timestamp, y = p))
gg <- gg + geom_line()
gg <- gg + scale_x_bd(business.dates = df$timestamp, labels = date_format("%a\n%b %d\n%H:%M"))
gg
> dput(df)
structure(list(timestamp = structure(c(1563286500, 1563286800,
1563287100, 1563287400, 1563287700, 1563288000, 1563288300, 1563288600,
1563288900, 1563289200, 1563289500, 1563289800, 1563290100, 1563290400,
1563290700, 1563291000, 1563291300, 1563291600, 1563291900, 1563292200,
1563292500, 1563292800, 1563356100, 1563356400, 1563356700, 1563357000,
1563357300, 1563357600, 1563357900, 1563358200, 1563358500, 1563358800,
1563359100, 1563359400, 1563359700, 1563360000, 1563360300, 1563360600,
1563360900, 1563361200, 1563361500, 1563361800, 1563362100, 1563362400,
1563362700, 1563363000, 1563363300, 1563363600, 1563363900, 1563364200,
1563364500, 1563364800, 1563365100, 1563365400, 1563365700, 1563366000,
1563366300, 1563366600, 1563366900, 1563367200, 1563367500, 1563367800,
1563368100, 1563368400, 1563368700, 1563369000, 1563369300, 1563369600,
1563369900, 1563370200, 1563370500, 1563370800, 1563371100, 1563371400,
1563371700, 1563372000, 1563372300, 1563372600, 1563372900, 1563373200,
1563373500, 1563373800, 1563374100, 1563374400, 1563374700, 1563375000,
1563375300, 1563375600, 1563375900, 1563376200, 1563376500, 1563376800,
1563377100, 1563377400, 1563377700, 1563378000, 1563378300, 1563378600,
1563378900, 1563379200), class = c("POSIXct", "POSIXt"), tzone = "UTC"),
p = c(299.738333333333, 299.628333333333, 299.616666666667,
299.633333333333, 299.556666666667, 299.658333333333, 299.805,
299.843333333333, 299.913333333333, 299.843333333333, 299.844,
299.935, 299.963333333333, 300.003333333333, 300.016666666667,
299.924333333333, 299.92, 299.985, 300.046666666667, 299.958333333333,
299.95, 299.846666666667, 299.77, 299.78, 299.753333333333,
299.563333333333, 299.626666666667, 299.598333333333, 299.585,
299.43, 299.256666666667, 299.1333, 299.13, 299.096666666667,
299.046633333333, 299.063333333333, 298.804333333333, 298.59,
298.45, 298.598333333333, 298.763333333333, 298.776333333333,
298.893333333333, 298.875, 298.915, 298.844966666667, 298.83,
298.86, 299.036666666667, 299.129033333333, 299.203333333333,
299.136633333333, 299.058333333333, 299.038333333333, 298.873,
298.856666666667, 298.8373, 298.846666666667, 298.863333333333,
298.938333333333, 298.970033333333, 298.88, 298.912266666667,
298.95, 298.903333333333, 298.871666666667, 298.86, 298.8,
298.805666666667, 298.843966666667, 298.886533333333, 298.9178,
299.028333333333, 299.015, 298.986666666667, 298.973333333333,
298.818466666667, 298.708166666667, 298.548333333333, 298.543333333333,
298.613333333333, 298.66, 298.716666666667, 298.753333333333,
298.7, 298.693333333333, 298.6067, 298.586, 298.388333333333,
298.458333333333, 298.613333333333, 298.6254, 298.45, 298.245,
298.335, 298.361666666667, 298.273333333333, 298.258333333333,
298.266666666667, 298.027566666667)), .Names = c("timestamp",
"p"), row.names = c(NA, -100L), class = c("tbl_df", "tbl", "data.frame"
))