xts

0熱度

1回答

我有一個包含12個變量的xts對象，時間間隔爲15分鐘。 > summary(wideRawXTSscaled) Index DO0182U09A3 DO0182U09B3 DO0182U09C3 DO0182U21A1 DO0182U21A2 Min. :2017-01-20 16:30:00 Min. :-1.09338 Min. :-1.0666 Min. :

1熱度

3回答

使用ggplot2繪製一個xts對象

我想繪製一個使用ggplot2的xts對象，但得到一個錯誤。下面是我在做什麼： dates <- c("2014-10-01", "2014-11-01", "2014-12-01", "2015-01-01", "2015-02-01") value <- as.numeric(c(3, 4, 5, 6, 5)) new_df <- data_frame(dates, value) new

0熱度

3回答

如何在r中

找到不同的時間間隔我有日期的向量，看起來像這樣： "2017-01-05 08:40:00 COT" "2017-01-05 08:50:00 COT" "2017-01-05 09:00:00 COT" "2017-01-05 09:10:00 COT" "2017-01-05 10:30:00 COT" "2017-01-05 10:40:00 COT" "2017-01-05 10:50:0

0熱度

1回答

R xts quantmod訪問特定時間的數據

研究R（包括xt和quantmod軟件包）。還有就是我的數據集： str(h2) ‘zoo’ series from 2016-06-15 11:00:00 to 2016-09-15 14:00:00 Data: num [1:928, 1:5] 67842 67486 67603 67465 67457 ... - attr(*, "dimnames")=List of 2

0熱度

2回答

'下標越界'。在period.apply

我有一個1和0的xts指示某個日期的事件。我希望每個星期五在索引中都有R循環，並查看該周是否有任何1。我有這個： > this = xts(sample(c(0,1), replace=TRUE, size=10), order.by = seq.Date(as.Date('1990-01-05'), by = 1, length.out=10)) > this [,

1熱度

1回答

更快的方法子集xts

我有一個大的xts，我想根據月份和日期過濾每年的禮物。 library(xts) junk <- xts(sample.int(101, size = 1461, replace = T), seq(as.Date('2006-01-01'), as.Date('2009-12-31'), 'days')) junk_sma10 = TTR::SMA(x = junk, n = 10) ##

0熱度

1回答

合併很多xts對象

我有一些'xts'對象，將近600個，我想將它們合併爲一個'xts'對象。這些對象的名稱類似於mfi0，mfi1，mfi2，...。我可以寫幾個對象，如 a<-merge(mfi0,mfi1,mfi2) 合併命令，但我的問題是，我不能寫600個對象loop或lapply，包含字符串「MFI」和一個數字，我想paste但不能寫。

1熱度

1回答

cumsum在XTS對於已經綜上所述但每年重置

數據值： [,1] 2015-03-17 1 2015-03-18 2 2015-03-19 4 {cont} 2015-12-31 200 2016-01-01 0 2016-12-02 3 2016-12-03 9 由於這XTS已經有兩年內運行總，我想計算運行總計翻過年。所以看起來 Value ## cumsum(value) ## not what I want

1熱度

2回答

哪個（is.na（xtsSeries））返回越界值

我在xts對象中有一些時間序列，其維數爲54 * 5。我有興趣知道哪些行包含NAs。撥打which(is.na(.))會給我的值大於54（即：85,108，..）。我不明白這些值是什麼？ > typeof(dataXtsW) [1] "double" > class(dataXtsW) [1] "xts" "zoo" > dim(dataXtsW) [1] 54 5 > which(i

0熱度

1回答

R - 時間序列中的下一個最高值

一個相對簡單的問題，但我似乎找不到任何示例。我有簡單的外匯價格數據，這是一個2列XTS對象調用subx1： Datetime, Price 2016-09-01 00:00:01, 1.11563 2016-09-01 00:00:01, 1.11564 2016-09-01 00:00:02, 1.11564 2016-09-01 00:00:03, 1.11565 ...等等。