概述

时刻与空间是天下运行的首要维度，各行各业的运作都受到这两个维度的影响。个中，时刻这个维度自己固然只必要一列timestamp即可存储全部信息，不外通过进一步的时刻维度发掘，我们可以从中找到很多纪律来富厚特性工程。乃至在许多场景下，途经其他维度收罗坚苦的环境下，仅仅通过时代序列也也许实现较为精准的猜测使命，由此可见时刻维度对数据说明的重要性。R说话在时空数据发掘方面已经有很多经典案例，好比CRAN上的TimeSeries主页、时刻序列说明与R说话，本文将一路重温，怎样通过lubridate和百度API撸一遍时刻维的发掘。

时刻发掘要害R包

处理赏罚时刻序列的要害R包有 lubridate,xts,forecast,anytime,zoo

凡是，我们在数据库中会存储一些日记数据的时刻戳，他们以形如 2016-10-23 15:12:06的名目存储，当我们从数据库读入内存，以数据帧名目存储时，也许存在一列这样的数据：

通过时代戳，我们每每还必要发掘出更细粒度的特性，好近年代日，上午、下战书、晚上，季度、礼拜、是否闰年、是否节沐日（法定或促销）等等。

操作lubridate，我们可以很利便的提取时刻维度的特性，因为呆板只能辨认数字，以是 0-1 变量我们都转为数字表现，而不是默认的 TRUE/FALSE。

con <- RMySQL::dbConnect(RMySQL::MySQL(),user="root",password="FinanceR",dbname="quota",host="localhost")

con %>% dbSendStatement("SET NAMES UTF8")

# fetch data
raw_data <- con %>% 
            dbSendQuery("
      select code,price,create_time
      from quota.price
            ") %>%dbFetch(-1)

# feature engineering                              
data <- raw_data %>%   
  mutate(ymd = lubridate::ymd_hms(create_time) %>% lubridate::ymd_hms()) %>% 
  mutate(am = lubridate::ymd_hms(create_time) %>% lubridate::am() %>% ifelse(0,1)) %>%
  mutate(wday = lubridate::ymd_hms(create_time) %>% lubridate::wday()) %>%
  mutate(month = lubridate::ymd_hms(create_time) %>% lubridate::month()) %>%
  mutate(quarter = lubridate::ymd_hms(create_time) %>% lubridate::quarter()) %>%
  mutate(leap_year = lubridate::ymd_hms(create_time) %>% lubridate::leap_year() %>% ifelse(0,1)) %>%
  mutate(time_5_min = lubridate::ceiling_date(create_time,'5 mins') ) %>%
  mutate(night = night(create_time)) %>%
  mutate(holiday = is_holiday(create_time)) 




# data viz
data %>% select(-create_time) %>% GGally::ggcorr( nbreaks = 10)  %>% plotly::ggplotly()

参考资料

• 多维荟萃说明可视化

• Cheatsheet – Python & R codes for common Machine Learning Algorithms

• metrics

• spectacle

• dygraphs 时刻序列制图

• time zone setting

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!