5.2)

Leitura e carregamento:

library(tibbletime)
library(dplyr)
library(ggplot2)
library(readr)
library(lubridate)
library(reshape2)

ph1.loc <- "/home/allan/Documents/1S2018/A_SERIES_TEMPORAIS/aulas/dados/pH2012.CSV"
ph2.loc <- "/home/allan/Documents/1S2018/A_SERIES_TEMPORAIS/aulas/dados/pH2013.CSV"
ph3.loc <- "/home/allan/Documents/1S2018/A_SERIES_TEMPORAIS/aulas/dados/pH2014.CSV"

ph1 <- read_csv(ph1.loc)
ph2 <- read_csv(ph2.loc)
ph3 <- read_csv(ph3.loc)

item i)

# juntando
ph <- bind_rows(ph1, ph2, ph3)
# convertendo para tibble time (serie temporal)
# library(lubridate)
ph <- ph %>%
  mutate(Date = mdy_hm(Date)) %>% # usando mdy_hm do lubridate
  as_tbl_time(index = Date)

# filtrando
# nao precisa - ele quer toda a serie
ph2 <- ph %>%
  filter_time('start' ~ 'end')

head(ph2)
# knitr::kable(ph2, fomat = "html", caption = "Série", row.names = FALSE)

Plots:

# visualizando os dados:
# minutos -- sem transformar os dados para 
ph2 %>%
ggplot(aes(x = Date, y = Point)) +
  geom_line(colour="navy") +
  theme_minimal()+
  labs(title="Série sem transformação")

Não parece haver comportamento cíclico, mas utilizar um período de minutos para a série, parece tornar o gráfico muito denso, dificultando a “leitura” do gráfico. Então, vamos transformar para uma periodicidade horária:

# horario
ph2 %>%
  as_period("1 h") %>% # haverah uma linha para cada hora
  ggplot(aes(x = Date, y = Point)) +
  geom_line(colour="orange") + 
  theme_minimal()+
  labs(title="Série horária")

Periodicidade diária:

ph2 %>%
  as_period("1 day") %>%
  ggplot(aes(x = Date, y = Point)) +
  geom_line(colour="red") + 
  labs(title="Série diária")

Periodicidade semanal:

ph2 %>%
  as_period("1 week") %>%
  ggplot(aes(x = Date, y = Point)) +
  geom_line(colour="green") + 
  labs(title="Série semanal")

Periodicidade mensal:

ph2 %>%
  as_period("1 m") %>%
  ggplot(aes(x = Date, y = Point)) +
  geom_line(colour="purple") + 
  labs(title="Série mensal")

item ii)

Obtendo estatísticas mensais:

# ii)
# agrupando os dados mes - obtendo estatisticas mensais  - comparando o comportamento mensal
# sol em: https://stackoverflow.com/questions/47867310/r-decrease-frequency-of-time-series-data-by-aggregating-values-in-ohlc-series?noredirect=1&lq=1
ph2_m_summ <- ph2 %>%
  mutate(Date = collapse_index(Date, "1 month")) %>% # acrescentei ym() de lubridate para deixar o resto da data
  group_by(Date) %>%
  summarise(min = min(Point),
            avg = mean(Point),
            max = max(Point)
  )
  
# nao existe mais time_summarise()
ph2_m_summ

Plot:

# plot das series de min, avg e max
library(reshape2)
help(melt)

ph2_m_summ_long <- ph2_m_summ %>%
  melt(id.vars = c("Date")) # Date continua nas linhas idenificando cada obs

ph2_m_summ_long %>%
  ggplot() +
  geom_line(aes(x = Date, y = value, colour=variable)) + 
  theme_minimal()

Parece haver uma componente cíclica de queda dos valores do Ph nos meses de janeiro dos anos da série.

5.3)

Leitura e carregamento:

library(tibbletime)
library(dplyr)
library(ggplot2)
library(readr)
library(lubridate)
library(reshape2)

NYmvc.loc <- "/home/allan/Documents/1S2018/A_SERIES_TEMPORAIS/aulas/dados/MVC2009C.csv"


NYmvc <- read_csv(NYmvc.loc)
head(NYmvc)

item i)

# eliminando colunas desnecessarias - ficando so com a data
# e criando uma coluna de contagem
NYmvc2 <- NYmvc %>%
  select(Date) %>%
  # mutate(n = 1) %>% # servirah para somarmos o nro de acidentes no dia (nao precisa)
  mutate(Date = mdy(Date)) %>% # usando mdy_hm do lubridate
  as_tbl_time(index = Date) # deixando como tibbletime

Agrupando a série por dia:

# ordenando o tibble por data
# senao ele reclama na hora de agrupar
NYmvc2 <- NYmvc2 %>%
  arrange(Date)

# str(NYmvc2)

# agrupando por dia e contando
NYmvc2_day_count <- NYmvc2 %>%
  mutate(Date = collapse_index(Date, "1 day")) %>%
  group_by(Date) %>%
  summarise(count = n())
# ok!

Plot periodicidade diária:

NYmvc2_day_count %>%
  ggplot(aes(x = Date, y = count)) +
  geom_line(colour="green") + 
  labs(title="Série diária")

Embora o agrupamento diário dificulte a “leitura” do gráfico, é possivel constatar a existência de uma componente cíclica em que há picos de acidentes no meio e no final de cada ano.

item ii)

Agrupando a série por mês:

# agrupando por mes e contando
NYmvc2_month_count <- NYmvc2 %>%
  mutate(Date = collapse_index(Date, "1 month")) %>%
  group_by(Date) %>%
  summarise(count = n())

# ok!

Plot periodicidade mensal:

NYmvc2_month_count %>%
  ggplot(aes(x = Date, y = count)) +
  geom_line(colour="orange") + 
  labs(title="Série mensal")