在R中通过更好的可视化查找模式
我有以下时间序列数据。它有60个数据点，如下所示。请看下面这个数据的简单图。我用R来画这个。我认为如果我在图中的点上画一条移动平均曲线，那么我们可以更好地理解数据中的模式。我不知道在R怎么做。有人能帮我吗。此外，我不确定这是否是识别模式的好方法。如果有更好的方法，也请告诉我。多谢各位在R中通过更好的可视化查找模式,r,visualization,time-series,R,Visualization,Time Series,我有以下时间序列数据。它有60个数据点，如下所示。请看下面这个数据的简单图。我用R来画这个。我认为如果我在图中的点上画一条移动平均曲线，那么我们可以更好地理解数据中的模式。我不知道在R怎么做。有人能帮我吗。此外，我不确定这是否是识别模式的好方法。如果有更好的方法，也请告诉我。多谢各位 x <- c(18,21,18,14,8,14,10,14,14,12,12,14,10,10,12,6,10,8, 14,10,10,6,6,4,6,2,8,6,2,6,4,4,2,8,6,6
x <- c(18,21,18,14,8,14,10,14,14,12,12,14,10,10,12,6,10,8,
14,10,10,6,6,4,6,2,8,6,2,6,4,4,2,8,6,6,8,12,8,8,6,6,2,2,4,
4,4,8,14,8,6,6,2,6,6,4,4,8,6,6)
x要回答你关于移动平均线的问题，你可以借助rollmean
软件包zoo
中的rollmean
来完成
来自Joshua的评论：
您还可以查看依赖于xts的TTR
包，该包依赖于zoo
。此外，数据包中还有其他移动平均值TTR
：检查？MA
require(TTR)
# assuming your vector is loaded in dat
# sliding window / moving average of size 5
dat.k5 <- rollmean(dat, k=5)
require（TTR）
#假设向量加载在dat中
#滑动窗口/5号移动平均线
dat.k5一种合理的可能性：
d <- data.frame(x=scan("tmp.dat"))
qplot(x=seq(nrow(d)),x,data=d)+geom_smooth(method="loess")
drollmean
在动物园里。TTR依赖于xts，xts依赖于动物园。TTR确实有许多其他类型的移动平均线，参见？MA
。关于“这是识别模式的好方法吗”（这对于StackOverflow来说有点离题，但无论如何）；我认为滚动平均值是非常值得尊敬的，尽管存在更复杂的方法（如我的答案中所示的局部加权回归[Lesson/lowess]）。然而，在我看来，这里似乎没有太多复杂的模式需要检测：数据似乎最初随着时间的推移而下降，然后趋于平稳。滚动方式和更复杂的方法可能看起来更漂亮，但我认为它们不会在这个数据集中识别出任何更深层次的模式…@Ben:谢谢你的想法。我同意你的观点，可能没有太多的模式。但我总共有37个数据集。我发现滚动有助于我识别其中的模式。