R中时间序列分析的数据结构[关闭]答案

【问题标题】：Data structure for time-series analysis in R [closed]R中时间序列分析的数据结构[关闭]
【发布时间】：2017-02-24 13:27:07
【问题描述】：

这是一个基本问题，但我尝试搜索并没有得到答案。

我有超过 1 万条时间序列记录，涉及 420 家不同的公司。对于每家公司，我都有一个时间戳（月/年）和一些变量。时间序列的长度不同。

在这个阶段，所有记录都在一个 dataframe 中，看起来像这样

Date         Code   Var1    Var2    Var3    Var3
01/01/2010   AAA                
01/02/2010   AAA                
01/03/2010   AAA                
01/01/2010   BBB                
01/02/2010   BBB                
01/03/2010   BBB                
01/04/2010   BBB                
01/01/2010   CCC                
01/02/2010   CCC                
01/03/2010   CCC

稍后我需要进行互相关、时间序列聚类并构建向量自回归模型。

问题：

处理此类数据的准则是什么： - 按原样使用dataframe - 将其转换为每个公司的单独时间序列。

很高兴接受任何其他建议！

【问题讨论】：

标签： r dataframe time-series xts cross-correlation

【解决方案1】：

没有非黑即白的答案：两种对象类型在不同的目的上都有各自的优势（尽管在问你的问题时我几乎总是使用data.table 而不是data.frame，因为你可以获得更多的功能。）。我个人在研究中可以互换使用两者，但通常以xts 格式保留原始原始基础数据（xts 对象中的刻度线或 OHLC 条形数据）。

两种对象类型都很快，计算密集型代码是用 C 编写的。

如果您的时间序列的维度（长度或宽度）不大，您可以在安全级别轻松地来回传输（例如data.table("index" = index(xtsobj), coredata(xtsobj)），然后合并data.tables，如果您希望合并证券为横截面类型的建模。对于我使用的时间序列，我通常会在两种对象类型之间来回切换

xts 对象必须使用相同类型的所有列（numeric 或 character 是常见类型），如果您将分类变量与数值数据混合使用，这可能是一个限制（您可以映射分类变量到数值来解决这个问题，但这是额外的工作，并且在建模数据时会降低清晰度）。

xts 使得合并时间序列数据（与merge），特别是在不同的时间频率在一起，非常简单。它也非常适合在TTR 和quantmod 中构建移动窗口技术指标。您还可以使用quantmod（chart_Series 和add_TA）和xts 绘图工具（请参阅?plot.xts）来可视化开箱即用的烛台/OHLC 柱数据。 xts 使用 to.period、period.apply 和endpoints（使用 C 代码可以快速完成）。

如果您要构建预测模型（许多线性回归，或更复杂的模型），并且您的预测模型中包含许多您不想映射到数字的类别变量（例如安全部门、情绪类别），则可能最好与data.table 合作。 R 中的许多预测模型（以及聚类等无监督方法）要求数据采用 data.frame 格式，在这种情况下，如果您的最终目标是预测建模，则以 data.table/data.frame 格式存储/保存/加载数据可能更有意义。 var/urca R 包中的VAR 模型也使用data.frame 格式。尽管注意到许多预测模型（通过caret 等）要求数据为数字matrix 格式，您可以使用coredata(xtsobj) 从xts 对象中轻松提取（将data.frame 数据转换为matrix格式通常也很简单）。

如果您的数据集非常大（每个证券在内存中保存 n GBs 的价格数据，对于较大的 n），并且您希望按组进行重复聚合（例如，按月计算的平均收益/标准差和符号或月份和扇区，您可能会发现 data.table 使用起来更自然），您可能会发现 data.table 效率更高，它旨在处理内存/RAM中的大量数据，并且往往会做更少复制比xts 操作。

【讨论】：