<\/p>\n
W analizie szereg\u00f3w czasowych \u015brednia ruchoma<\/strong> reprezentuje \u015bredni\u0105 warto\u015b\u0107 z kilku poprzednich okres\u00f3w.<\/span><\/p>\n Naj\u0142atwiejszym sposobem obliczenia \u015bredniej krocz\u0105cej w R jest u\u017cycie funkcji rollmean()<\/strong> z pakietu zoo<\/strong> :<\/span><\/p>\n W tym konkretnym przyk\u0142adzie obliczana jest 3-<\/strong> dniowa \u015brednia ruchoma dla kolumny oznaczonej Warto\u015bci<\/strong> .<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce wykorzysta\u0107 t\u0119 funkcj\u0119.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 danych w R, kt\u00f3ra pokazuje sprzeda\u017c produktu przez 10 kolejnych dni:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cej sk\u0142adni, aby utworzy\u0107 now\u0105 kolumn\u0119 o nazwie avg_sales3<\/strong> , kt\u00f3ra wy\u015bwietla \u015bredni\u0105 ruchom\u0105 warto\u015b\u0107 sprzeda\u017cy z ostatnich 3 dni w ka\u017cdym wierszu ramki danych:<\/span><\/span><\/p>\n Uwaga<\/strong> : Warto\u015b\u0107 k<\/strong> w funkcji rollmean()<\/strong> kontroluje liczb\u0119 poprzednich okres\u00f3w u\u017cywanych do obliczenia \u015bredniej ruchomej.<\/span><\/p>\n Kolumna avg_sales3<\/strong> wy\u015bwietla \u015bredni\u0105 ruchom\u0105 warto\u015b\u0107 sprzeda\u017cy z poprzednich 3 okres\u00f3w.<\/span><\/p>\n Na przyk\u0142ad pierwsz\u0105 warto\u015b\u0107 19,66667<\/strong> oblicza si\u0119 w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n 3-dniowa \u015brednia krocz\u0105ca = (25 + 20 + 14) \/ 3 = 19,66667<\/strong><\/span><\/p>\n Mo\u017cna tak\u017ce obliczy\u0107 wiele \u015brednich krocz\u0105cych jednocze\u015bnie, korzystaj\u0105c z wielu funkcji rollmean()<\/strong> w ramach funkcji mutate()<\/strong> .<\/span><\/p>\n Na przyk\u0142ad poni\u017cszy kod pokazuje, jak obliczy\u0107 3-dniow\u0105 i 4-dniow\u0105 \u015bredni\u0105 ruchom\u0105 sprzeda\u017cy:<\/span><\/p>\n Kolumny avg_sales3<\/strong> i avg_sales4<\/strong> wy\u015bwietlaj\u0105 odpowiednio 3-dniow\u0105 i 4-dniow\u0105 \u015bredni\u0105 ruchom\u0105 sprzeda\u017cy.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w j\u0119zyku R:<\/span><\/p>\n Jak wykre\u015bli\u0107 wiele kolumn w R<\/a> W analizie szereg\u00f3w czasowych \u015brednia ruchoma reprezentuje \u015bredni\u0105 warto\u015b\u0107 z kilku poprzednich okres\u00f3w. Naj\u0142atwiejszym sposobem obliczenia \u015bredniej krocz\u0105cej w R jest u\u017cycie funkcji rollmean() z pakietu zoo : library (dplyr) library (zoo) #calculate 3-day rolling average df %>% mutate(rolling_avg = rollmean(values, k= 3 , fill=NA, align=’ right ’)) W tym konkretnym przyk\u0142adzie obliczana jest 3- […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3480","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n library<\/span> (dplyr)<\/span>\nlibrary<\/span> (zoo)<\/span>\n\n#calculate 3-day rolling average<\/span>\ndf %>%\n mutate(rolling_avg = rollmean(values, k= 3<\/span> , fill=NA, align=' right<\/span> '))<\/strong><\/pre>\n Przyk\u0142ad: oblicz \u015bredni\u0105 ruchom\u0105 w R<\/strong><\/span><\/h2>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (day=c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10),\n sales=c(25, 20, 14, 16, 27, 20, 12, 15, 14, 19))\n\n#view data frame\n<\/span>df\n\n day sales\n1 1 25\n2 2 20\n3 3 14\n4 4 16\n5 5 27\n6 6 20\n7 7 12\n8 8 15\n9 9 14\n10 10 19<\/strong><\/pre>\n library<\/span> (dplyr)\nlibrary<\/span> (zoo)\n\n#calculate 3-day rolling average of sales<\/span>\ndf %>%\n mutate(avg_sales3 = rollmean(sales, k= 3<\/span> , fill=NA, align=' right<\/span> '))\n\n day sales avg_sales3\n1 1 25 NA\n2 2 20 NA\n3 3 14 19.66667\n4 4 16 16.66667\n5 5 27 19.00000\n6 6 20 21.00000\n7 7 12 19.66667\n8 8 15 15.66667\n9 9 14 13.66667\n10 10 19 16.00000\n<\/strong><\/span><\/pre>\n library<\/span> (dplyr)\nlibrary<\/span> (zoo)\n\n#calculate 3-day and 4-day rolling average of sales<\/span>\ndf %>%\n mutate(avg_sales3 = rollmean(sales, k= 3<\/span> , fill=NA, align=' right<\/span> '),\n avg_sales4 = rollmean(sales, k= 4<\/span> , fill=NA, align=' right<\/span> '))\n\n day sales avg_sales3 avg_sales4\n1 1 25 NA NA\n2 2 20 NA NA\n3 3 14 19.66667 NA\n4 4 16 16.66667 18.75\n5 5 27 19.00000 19.25\n6 6 20 21.00000 19.25\n7 7 12 19.66667 18.75\n8 8 15 15.66667 18.50\n9 9 14 13.66667 15.25\n10 10 19 16.00000 15.00\n<\/strong><\/span><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak u\u015brednia\u0107 kolumny w R<\/a>
Jak obliczy\u0107 \u015bredni\u0105 na grup\u0119 w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"