R 时间序列及其可视化_R_Ggplot2_Time Series

R 时间序列及其可视化

R 时间序列及其可视化,r,ggplot2,time-series,R,Ggplot2,Time Series,我有25万件事情是这样的： Slot Anzahl Nutzung TimeSlotNr WochenSlots Tag 1 2011-01-01 00:00:00 2 Firma 1 242 1 2 2011-01-01 00:00:00 50 Privat 1 242 1 3 2011-01-01 00:30:00 1 Firma

我有25万件事情是这样的：

                 Slot Anzahl Nutzung TimeSlotNr WochenSlots Tag
1 2011-01-01 00:00:00      2   Firma          1         242   1
2 2011-01-01 00:00:00     50  Privat          1         242   1
3 2011-01-01 00:30:00      1   Firma          2         243   1
4 2011-01-01 00:30:00     49  Privat          2         243   1
5 2011-01-01 01:00:00      1   Firma          3         244   1
6 2011-01-01 01:00:00     48  Privat          3         244   1

一个时段代表半个30分钟，“Anzahl”是一个时段中的事件数，第一个时段从2011-01-01 00:00:00开始，“WochenSlots”是时间段%%336，从周六00:00:00开始。所以我想在一周内看到发行情况

我现在想做的是：

以x比例显示日期（周一00:00-周日24:00）
显示显示x%事件分布的行（信封）

我不知道该怎么做

  ggplot(data=PB2) + 
    geom_point(mapping = aes(x = WochenSlots, y = Anzahl, colour = Nutzung), alpha=0.6) +
    scale_y_continuous(labels = scales::percent) +
    facet_wrap(~Nutzung,
               shrink = TRUE,
               nrow = 2,
               scales = "free_y")

dput（PB2[1:100，]）结构(列表)槽=结构(c)(1293840000,1293840000,1293841800,， 1293841800, 1293843600, 1293843600, 1293845400, 1293845400, 1293847200, 1293847200, 1293849000, 1293849000, 1293850800, 1293850800, 1293852600, 1293852600, 1293854400, 1293854400, 1293856200, 1293856200, 1293858000, 1293858000, 1293859800, 1293859800, 1293861600, 1293861600, 1293863400, 1293863400, 1293865200, 1293865200, 1293867000, 1293867000, 1293868800, 1293868800, 1293870600, 1293870600, 1293872400, 1293872400, 1293874200, 1293874200, 1293876000, 1293876000, 1293877800, 1293877800, 1293879600, 1293879600, 1293881400, 1293881400, 1293883200, 1293883200, 1293885000, 1293885000, 1293886800, 1293886800, 1293888600, 1293888600, 1293890400, 1293890400, 1293892200, 1293892200, 1293894000, 1293894000, 1293895800, 1293895800, 1293897600, 1293897600, 1293899400, 1293899400, 1293901200, 1293901200, 1293903000, 1293903000, 1293904800, 1293904800, 1293906600, 1293906600, 1293908400, 1293908400, 1293910200, 1293910200, 1293912000, 1293912000, 1293913800, 1293913800, 1293915600, 1293915600, 1293917400, 1293917400, 1293919200, 1293919200, 1293921000, 1293921000, 1293922800, 1293922800, 1293924600, 1293924600, 1293926400, 1293926400, 1293928200, 1293928200），class=c（“POSIXct”、“POSIXt”），tzone=“UTC”）， Anzahl=c（2L、50L、1L、49L、1L、48L、1L、43L、1L、43L、1L、， 30升，1升，27升，0升，22升，0升，19升，0升，20升，0升，18升，0升，17升， 0L，17L，0L，17L，0L，17L，0L，18L，0L，19L，2L，19L，2L， 19L，2L，20L，2L，21L，2L，21L，2L，20L，2L，18L，2L，22L， 2L，24L，3L，25L，1L，28L，1L，30L，1L，33L，1L，32L，1L， 28L，2L，24L，2L，25L，2L，25L，2L，22L，2L，20L，1L，15L， 2L，14L，1L，13L，1L，11L，1L，12L，1L，11L，1L，9L，1L， 8L，1L，7L，1L，5L，1L，4L，1L，3L，0L，3L），Nutzung=c（“硬度”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”、“Firma”、“Privat”、“Firma”， “Privat”、“Firma”、“Privat”），TimeSlotNr=c（1L、1L、2L， 2L，3L，3L，4L，4L，5L，6L，6L，7L，7L，8L，8L，9L，9L， 10L，10L，11L，11L，12L，12L，13L，13L，14L，14L，15L，15L， 16L，16L，17L，17L，18L，18L，19L，19L，20L，20L，21L，21L， 22L，22L，23L，23L，24L，24L，25L，25L，26L，26L，27L，27L， 28L，28L，29L，29L，30L，30L，31L，31L，32L，32L，33L，33L， 34L，34L，35L，35L，36L，36L，37L，37L，38L，38L，39L，39L， 40L，40L，41L，41L，42L，42L，43L，43L，44L，44L，45L，45L， 46L，46L，47L，47L，48L，48L，49L，49L，50L，50L），WochenSlots=c（242， 242, 243, 243, 244, 244, 245, 245, 246, 246, 247, 247, 248, 248, 249, 249, 250, 250, 251, 251, 252, 252, 253, 253, 254, 254, 255, 255, 256, 256, 257, 257, 258, 258, 259, 259, 260, 260, 261, 261, 262, 262, 263, 263, 264, 264, 265, 265, 266, 266, 267, 267, 268, 268, 269, 269, 270, 270, 271, 271, 272, 272, 273, 273, 274, 274, 275, 275, 276, 276, 277, 277, 278, 278, 279, 279, 280, 280, 281, 281, 282, 282, 283, 283, 284, 284, 285, 285, 286, 286, 287, 287, 288, 288, 289, 289, 290, 标签=c（1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L， 1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，1L，2L，2L，2L，2L， 2L）），.Names=c（“插槽”、“Anzahl”、“Nutzung”、“TimeSlotNr”， “WochenSlots”，“Tag”，row.names=c（NA，100L），class=“data.frame”）

看起来分位数回归可能就是你需要的。您发布的数据示例在每个时间点只有一个观察值，因此我创建了一些虚假数据用于说明。在下图中，我们使用一个灵活的样条函数作为回归函数，并在数据的第25个和第75个百分位绘制回归线。让我知道这是否是你的想法

library(ggplot2)
library(quantreg)
library(splines)

# Fake data
set.seed(2)
dat = data.frame(x=runif(1e4,0,20))
dat$y = cos(dat$x) + 10 + rnorm(1e4, 2)

ggplot(dat, aes(x,y)) +
  geom_point(alpha=0.1, colour="blue", size=0.5) +
  geom_quantile(formula=y ~ ns(x, 10), quantiles=c(0.25, 0.75),
                colour="red", size=1) +
  theme_classic()

对于第一个项目符号，请确保

插槽属于POSIXct
（PB2$Slot=as.POSIXct（PB2$Slot）
）类，然后使用Slot
作为x映射。对于第二种情况，您的意思是希望曲线显示每个x值的y值，在y值上方发生x%的事件？对于第二种情况，您的意思是希望