时间序列作为 data.table 中的“ts”列？

我有多组时间序列数据，希望帮助找出将它们放入 R 并使用 R 进行分析的最佳方法。我对 data.table 非常熟悉，但对 R 不太熟悉ts支持时间序列分析的类。

我特别想知道如何使用ts http://stat.ethz.ch/R-manual/R-patched/library/stats/html/ts.html在这个情况下或者如果有限制ts（例如聚合一组问题ts对象），使其适合在这里使用。

The Data

有大量的商店。对于每个商店，我每天都有多个数据点，例如以美元计的销售额、以交易数计的销售额以及商店流量（进入商店的人数）。 （实际上我拥有的是一个表，其中包含存储 ID、日期以及该存储和日期的数据列。）

我一直在做的是使用每个商店一行的 data.table，将商店的数据聚合到几个月中，并将每个月的值存储在单独的命名列中（例如 jan14_dollars、feb14_dollars...），但这很笨拙出于很多原因，特别是当我想查看几周或几个季度时。

我认为处理这个问题的正确方法是使用类型列ts所以每一行就是store, dollars_ts, transactions_ts, traffic_ts但是（a）如何将数据转换为该格式以及（b）可以ts像整数一样组合才能得到我想要的结果？如果您只能回答（a）或（b），但不能同时回答（a）或（b），请尽量回答。

我无法提供真实的数据集，但您可以生成一个随机数据集来使用，如下所示：

require("data.table")

storeData <- CJ(store = toupper(letters), date = seq(as.Date('2012-01-01'), as.Date('2014-01-01'), by="day"))
storeData$dollars = sample(100:100000, nrow(storeData), replace = TRUE)/100
storeData$transactions <- sample(0:1000, nrow(storeData), replace = TRUE)
storeData$traffic  <- storeData$transactions + sample(0:1000, nrow(storeData), replace = TRUE)

head(storeData)
   store       date  dollars transactions traffic
1:     A 2012-01-01   48.60          409     990
2:     A 2012-01-02  996.89           36     428
3:     A 2012-01-03   69.35          647    1103
4:     A 2012-01-04  334.56          953     973
5:     A 2012-01-05  692.99          958    1753
6:     A 2012-01-06  973.32          724    1086

分析

我想回答诸如“有多少商店的销售额实现正增长？”之类的问题。以及“美元/交易的变化与流量的变化之间是否存在关系？”并将数据按时间段分类并比较不同时间段的答案（例如今年第一季度与去年第一季度）。

可以用以下方式回答此类问题吗ts http://stat.ethz.ch/R-manual/R-patched/library/stats/html/ts.html？如果是这样，我如何将此数据放入适当的列集中，或者是否有其他结构data.table我应该用？

请展示如何组织数据，以及如何使用数据回答示例问题“与 2013 年 1 月相比，2014 年 1 月有多少商店的美元销售额出现正增长？”以及“过去 3 个月每笔交易的美元总体趋势如何？”

你在这里问了很多问题。我建议您花时间阅读 data.table 可以做的所有事情，包括连接和聚合数据。以下是如何获得第一季度每家商店同比增长的示例。

#get the first day of the first month for your binning
minDate<-min(storeData$date); month(minDate)<-1; day(minDate)<-1

#get the first day of the last month for your binning
maxDate<-max(storeData$date); month(maxDate)<-12; day(maxDate)<-1

#Build some bins
yearly<-data.table(leftBound=seq.Date(minDate,maxDate,by="year"))
quarterly<-data.table(leftBound=seq.Date(minDate,maxDate,by="3 months"))
monthly<-data.table(leftBound=seq.Date(minDate,maxDate,by="month"))

#Example for quarterly data
quarterly[, rollDate:=leftBound]
storeData[, rollDate:=date]

setkey(quarterly,"rollDate")
setkey(storeData,"rollDate")

temp<-quarterly[storeData, roll=TRUE] #associate each (store, date) pair with a quarter

#create a "join table" containing each quarter for each store
jt<-CJ(leftBound=quarterly$leftBound, store=unique(storeData$store))
setkey(temp,"leftBound","store")

dt<-temp[jt, allow.cartesian=TRUE]
dt[, `:=`(year=year(leftBound), quarter=quarter(leftBound))]

qSummary<-dt[,list(dollars=sum(dollars, na.rm=TRUE), 
         transactions=sum(transactions, na.rm=TRUE), 
         traffic=sum(traffic, na.rm=TRUE)),
   by=list(year,quarter,store)] #Summarize the data by quarter

#Get year/year growth for Q1
qSummary[,list(dollarGrowth = dollars[which(year==2014 & quarter==1)] / dollars[which(year==2013 & quarter==1)]), by=store]

 #First five rows...
    store dollarGrowth
 1:     A    0.0134860
 2:     B    0.0137215
 3:     C    0.0188249
 4:     D    0.0163887
 5:     E    0.0037576