以 10 分钟为间隔对一个不规则间隔的大时间序列进行平均，以生成 24 小时的概况

Question

我在尝试按 10 分钟但在 24 小时向量内计算平均温度时遇到问题。

我有一个时间序列以正确的 POSIX 格式存储在数据框中。唯一的问题是数据间隔不规则（10 +-3 分钟）。

我知道如何以小时、天、月年为单位对它们进行平均但我需要对 24、72 或 168 小时的配置文件进行平均。

例如，对于 168 小时的配置文件，我想在观察期间的每个星期一 00:00:00 平均，然后是 00:10:00、00:20:00 等，然后是每个星期二、星期三等。

所以我的数据平均值必须适合常规的 24/72/168 向量。

对于 24 小时向量将定义如下：

seq(ISOdatetime(2001,2,3,0,0,0), ISOdatetime(2001,2,4,0,0,0), by=(60*5))

产生一个常规的 24 小时向量source of this solution here

  [1] "2001-02-03 00:00:00 PST" "2001-02-03 00:05:00 PST"
  [3] "2001-02-03 00:10:00 PST" "2001-02-03 00:15:00 PST"
  [5] "2001-02-03 00:20:00 PST" "2001-02-03 00:25:00 PST"
  [7] "2001-02-03 00:30:00 PST" "2001-02-03 00:35:00 PST"
  [9] "2001-02-03 00:40:00 PST" "2001-02-03 00:45:00 PST"

问题是我的数据的时间戳每天都在变化，您可以从下面的示例中看到。 2016-09-01 初读（预计为 00:00:00）为 00:01:00，次日为 00:04:00，次日为 00:07:00，以此类推。

我尝试了xts 和zoo，但没有成功，因为聚合的限制是小时，我需要以分钟为单位定义它。

我发现的多个答案通过连续的数据集处理平均时间序列（example1，example2。

很遗憾，我找不到关于我的问题的答案。

示例数据库的结构：

'data.frame':   9490 obs. of  2 variables:
 $ Date_Time_Stamp : POSIXct, format: "2016-09-01 00:01:00" "2016-09-01 00:11:00" "2016-09-01 00:22:00" "2016-09-01 00:32:00" ...
 $ Signal_Raw_Value: num  778 694 592 523 567 ...

我的数据看起来像这样（头部）

Date_Time_Stamp Signal_Raw_Value
1 2016-09-01 00:01:00           777.51
2 2016-09-01 00:11:00           694.38
3 2016-09-01 00:22:00           591.69
4 2016-09-01 00:32:00           523.23
5 2016-09-01 00:42:00           567.24
6 2016-09-01 00:52:00           547.68

尾巴：

Date_Time_Stamp Signal_Raw_Value
9485 2016-11-06 23:02:00           660.15
9486 2016-11-06 23:12:00           635.70
9487 2016-11-06 23:22:00           498.78
9488 2016-11-06 23:32:00           415.65
9489 2016-11-06 23:42:00           425.43
9490 2016-11-06 23:53:00           440.10

2016-09-01 的第一个小时

Date_Time_Stamp Signal_Raw_Value
1    2016-09-01 00:01:00           777.51
2    2016-09-01 00:11:00           694.38
3    2016-09-01 00:22:00           591.69
4    2016-09-01 00:32:00           523.23
5    2016-09-01 00:42:00           567.24
6    2016-09-01 00:52:00           547.68
7    2016-09-01 01:02:00           562.35

第二天的第一个小时（2016-09-02）

143  2016-09-02 00:04:00           557.46
144  2016-09-02 00:14:00           557.46
145  2016-09-02 00:24:00           562.35
146  2016-09-02 00:35:00           552.57
147  2016-09-02 00:45:00           503.67
148  2016-09-02 00:55:00           484.11
149  2016-09-02 01:05:00           454.77

连续第三天的第一个小时（2016-09-03）

285  2016-09-03 00:07:00           655.26
286  2016-09-03 00:17:00           537.90
287  2016-09-03 00:27:00           464.55
288  2016-09-03 00:38:00           454.77
289  2016-09-03 00:48:00           425.43
290  2016-09-03 00:58:00           420.54
291  2016-09-03 01:08:00           400.98

第四天：

426  2016-09-04 00:00:00           865.53
427  2016-09-04 00:10:00           723.72
428  2016-09-04 00:20:00           621.03
429  2016-09-04 00:30:00           562.35
430  2016-09-04 00:40:00           493.89
431  2016-09-04 00:51:00           459.66
432  2016-09-04 01:01:00           435.21

处理信号的原始值后，我需要生成如下内容： 24 hrs profile 和 168 小时：168 hrs profile。

谢谢！

Answer 1

既然你还在为这个问题苦苦挣扎，试试这个：

#Create sample data
 #create a sequence of random times (about 10 minutes apart) 
 rtime <-as.integer(rnorm(1000, 10, 2))
 Date_Time_Stamp<- as.POSIXct("2016-09-01")
 Date_Time_Stamp<-Date_Time_Stamp+cumsum(rtime)*60
 Signal_Raw_Value <- rnorm(1000, 600, 20)
 df<-data.frame(Date_Time_Stamp, Signal_Raw_Value)
#End of sample data creation

#Calclated the number of minutes since midnight
df$minutes<-as.integer(format(df$Date_Time_Stamp, "%H"))*60 + as.integer(format(df$Date_Time_Stamp, "%M"))
#break into 144 intervals per day
df$mybreaks<-cut(df$minutes, breaks = seq(0, 1440, 10), include.lowest = TRUE)

#Using dplyr 
library(dplyr)
#find mean of each group
summarise( group_by(df, mybreaks), mean(Signal_Raw_Value))
#find number of elements in each grouping
summarise( group_by(df, mybreaks), n())

您的问题陈述不是很清楚。这是一个解决方案，它将一天分成 144 个 10 分钟（1440 分钟/天）段，并将整个数据集的数据平均到这 144 个间隔中。