清洁时间表与失踪、重复或不均匀
这个例子显示了如何创建一个常规的时间表从一个失踪,复制,或非均匀。时间表是一种表相关联一个时间戳,或行时间,每一行的数据。在一个常规的时间表,行乘以排序和独特的,不同的相同的常规时间步。
同时,一些工具箱函数,工作定期间隔的时间序列数据的形式数字数组。因此,示例还展示了如何从一个时间表使用导出数据与其他功能。
有一些问题行乘以,它能使时间表不规则。行乘以可以失踪。他们可以出故障了。他们可以复制,创建多行同时可能相同或不同的数据。甚至当他们出现时,分类,和独特的,他们可以不同大小不同的时间步骤。
时间表提供许多不同的方法来解决失踪,复制,或非均匀,并重新取样或聚合数据创建常规行乘以。
负载的时间表
加载一个样品从MAT-file时间表badTimes包含天气测量了几个小时,6月9日,2016年。的时间表TT包括温度、降水和风速测量在不规则的时期。
负载badTimesTT
TT =12×3的时间表临时雨____________________风速__ ___ _____ 09 - 73年6月- 2016年06:01:04 0.01 - 2.3 09年6月- 2016 07:59:23 59 0.08 - 0.9 09年6月- 2016年09:53:57 59 0.03 - 3.4 09 - 67年6月- 2016年09:53:57 0.03 - 3.4 NaT 56 0 0 09 - 67年6月- 2016年09:53:57 0.03 - 3.4 09 - 62年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016年08:49:10 75.8 0.01 2.7 09 - 82年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016 05:03:11 66.2 - 0.05 09年6月- 2016年08:49:10 67.2 0.01 2.7 09 - 2016年6月——04:12:00 58.8南南
找到并删除与缺失行乘以行
开始的一个方法是,通过发现和删除行NaT或缺失值的行。寻找失踪行乘以向量的值,使用ismissing。的ismissing函数返回一个逻辑向量包含1无论TT.Time有一个缺失值。
natRowTimes = ismissing (TT.Time)
natRowTimes =12 x1逻辑阵列0 0 0 0 1 0 0 0 0 0⋮
只保留那些行没有缺失值作为行乘以,指数TT使用~ natRowTimes行指标。那些行分配给一个新的时间表,goodRowTimesTT。
goodRowTimesTT = TT (~ natRowTimes,:)
goodRowTimesTT =11×3的时间表临时雨____________________风速__ ___ _____ 09 - 73年6月- 2016年06:01:04 0.01 - 2.3 09年6月- 2016年07:59:23 59 0.08 - 0.9 09 - 2016年6月——09:53:57 59 0.03 - 3.4 09 - 67年6月- 2016年09:53:57 0.03 0.03 - 3.4 3.4 09 - 67年6月- 2016年09:53:57 09 - 62年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016年08:49:10 75.8 0.01 2.7 09 - 82年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016 05:03:11 66.2 - 0.05 09年6月- 2016年08:49:10 67.2 0.01 2.7 09 - 2016年6月——04:12:00 58.8南南
这个方法只删除行,行乘以失踪。时间表变量仍然可能丢失的数据值。例如,最后一行goodRowTimesTT有南的值雨和风速变量。
删除与失踪的时间和丢失的数据行
作为一种替代方法,您可以删除行乘以失踪和丢失的数据值在同一时间使用rmmissing函数。rmmissing删除任何时间表失踪行乘以行,丢失的数据值,或两者兼而有之。
显示缺失行时间和丢失的数据值TT。
TT
TT =12×3的时间表临时雨____________________风速__ ___ _____ 09 - 73年6月- 2016年06:01:04 0.01 - 2.3 09年6月- 2016 07:59:23 59 0.08 - 0.9 09年6月- 2016年09:53:57 59 0.03 - 3.4 09 - 67年6月- 2016年09:53:57 0.03 - 3.4 NaT 56 0 0 09 - 67年6月- 2016年09:53:57 0.03 - 3.4 09 - 62年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016年08:49:10 75.8 0.01 2.7 09 - 82年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016 05:03:11 66.2 - 0.05 09年6月- 2016年08:49:10 67.2 0.01 2.7 09 - 2016年6月——04:12:00 58.8南南
删除所有行有行乘以失踪或数据值。分配剩下的行时间表goodValuesTT。
goodValuesTT = rmmissing (TT)
goodValuesTT =10×3的时间表临时雨____________________风速__ ___ _____ 09 - 73年6月- 2016年06:01:04 0.01 - 2.3 09年6月- 2016年07:59:23 59 0.08 - 0.9 09 - 2016年6月——09:53:57 59 0.03 - 3.4 09 - 67年6月- 2016年09:53:57 0.03 0.03 - 3.4 3.4 09 - 67年6月- 2016年09:53:57 09 - 62年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016年08:49:10 75.8 0.01 2.7 09 - 82年6月- 2016年08:49:10 66.2 - 0.05 0.01 - 2.7 09 - jun - 2016 05:03:11 3 09 - 2016年6月——08:49:10 67.2 0.01 2.7
时间表,确定它是否定期
处理缺失值后,你可以继续你的时间表,然后确定是否定期进行排序的时间表。
来确定goodValuesTT已经排序,使用issorted函数。
tf = issorted (goodValuesTT)
tf =逻辑0
因为它不是,行乘以使用的时间表sortrows函数。
sortedTT = sortrows (goodValuesTT)
sortedTT =10×3的时间表临时雨____________________风速__ ___ _____ 09 - jun - 2016 05:03:11 66.2 - 0.05 3 09 - 73年6月- 2016年06:01:04 0.01 - 2.3 09年6月- 2016年07:59:23 59 0.08 - 0.9 09 - 62年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016年08:49:10 75.8 0.01 2.7 09 - 82年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016 08:49:10 67.2 0.01 2.7 09年6月- 2016年09:53:57 59 0.03 - 3.4 09 - 67年6月- 2016年09:53:57 0.03 - 3.4 09 - 67年6月- 2016年09:53:57 0.03 - 3.4
确定是否sortedTT是常规的。一个常规的时间表有相同的连续行乘以之间的时间间隔。甚至一个排序的时间表可以有时间步骤,并不统一。
tf = isregular (sortedTT)
tf =逻辑0
因为它不是显示行乘以之间的差异。
diff (sortedTT.Time)
ans =9 x1持续时间00:57:53 01:58:19 00:49:47就是就是就是01:04:47就是就是
自行乘以排序,这个结果表明一些行乘以是独一无二的和重复。
删除重复的行
时间表可以有重复的行。时间表行是重复的,如果他们有相同的行乘以和相同的数据值。在这个例子中,最后两行sortedTT重复的行。(还有其他行sortedTT重复的行乘以但不同的数据值)。
删除重复的行sortedTT,使用独特的。的独特的函数返回的行和他们通过行乘以。
uniqueRowsTT =独特(sortedTT)
uniqueRowsTT =9×3的时间表临时雨____________________风速__ ___ _____ 09 - jun - 2016 05:03:11 66.2 - 0.05 3 09 - 73年6月- 2016年06:01:04 0.01 - 2.3 09年6月- 2016年07:59:23 59 0.08 - 0.9 09 - 62年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016年08:49:10 67.2 0.01 2.7 09 - 2016年6月——08:49:10 75.8 0.01 2.7 09 - 82年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016年09:53:57 59 0.03 - 3.4 09 - 67年6月- 2016年09:53:57 0.03 - 3.4
发现重复的时间和不同的数据行
时间表可以行重复行乘以但不同的数据值。在这个例子中,uniqueRowsTT有几行与行乘以相同但不同的值。
找到的行复制行乘以。首先,对行排序时间和找到他们连续两次没有区别。他们是重复的时间没有区别。指数回行乘以向量的确定并返回一组独特的倍次重复行uniqueRowsTT。
dupTimes = (uniqueRowsTT.Time)进行排序;tf = (diff (dupTimes) = = 0);dupTimes = dupTimes (tf);dupTimes =独特(dupTimes)
dupTimes =2 x1 datetime09 - 2016年6月- 2016 08:49:10 09年6月09:53:57
显示的行复制行乘以,指数uniqueRowsTT使用dupTimes。指数倍时,输出的时间表包含所有行匹配的行。
uniqueRowsTT (dupTimes:)
ans =6×3的时间表临时雨____________________风速__ ___ _____ 09 - 62年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016年08:49:10 67.2 0.01 2.7 09 - 2016年6月——08:49:10 75.8 0.01 2.7 09 - 82年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016年09:53:57 59 0.03 - 3.4 09 - 67年6月- 2016年09:53:57 0.03 - 3.4
选择第一个和最后一个行重复的倍
当时间表行重复的时候,你可能想要选择特定的行和丢弃的其他行重复的时代。例如,您可以选择第一个或最后一行复制行乘以使用独特的和调整时间功能。
首先,创建一个独特的行乘以向量TT通过使用独特的。
uniqueTimes =独特(uniqueRowsTT.Time)
uniqueTimes =5 x1 datetime09 - 2016年6月- 2016 05:03:11 09年6月06:01:04 09 - jun - 2016 07:59:23 09 - 2016年6月- 2016 08:49:10 09年6月09:53:57
从每组选择第一行的行复制。复制数据从第一行指定“firstvalue”方法。
firstUniqueRowsTT =调整时间(uniqueRowsTT uniqueTimes,“firstvalue”)
firstUniqueRowsTT =5×3的时间表临时雨____________________风速__ ___ _____ 09 - jun - 2016 05:03:11 66.2 - 0.05 3 09 - 73年6月- 2016年06:01:04 0.01 - 2.3 09年6月- 2016年07:59:23 59 0.08 - 0.9 09 - 62年6月- 2016年08:49:10 0.01 - 2.7 09年6月- 2016年09:53:57 59 0.03 - 3.4
从每组选择最后一行的行复制。从最后一行复制数据,指定“lastvalue”方法。
lastUniqueRowsTT =调整时间(uniqueRowsTT uniqueTimes,“lastvalue”)
lastUniqueRowsTT =5×3的时间表临时雨____________________风速__ ___ _____ 09 - jun - 2016 05:03:11 66.2 - 0.05 3 09 - 73年6月- 2016年06:01:04 0.01 - 2.3 09年6月- 2016年07:59:23 59 0.08 - 0.9 09 - 82年6月- 2016年08:49:10 0.01 - 2.7 09 - 67年6月- 2016年09:53:57 0.03 - 3.4
因此,最后的两行firstUniqueRowsTT和lastUniqueRowsTT不同的价值观吗临时变量。
聚合数据从所有行重复的时代
另一种处理数据的行有重复次聚合或以某种方式将数据值。例如,您可以计算的几个测量相同数量的同时。
计算平均气温、降雨和风速的行复制行乘以使用调整时间函数。
meanTT =调整时间(uniqueRowsTT uniqueTimes,“的意思是”)
meanTT =5×3的时间表时间临时雨风速____________________ _____ _____ _____ 09 - jun - 2016 05:03:11 66.2 - 0.05 3 09 - 73年6月- 2016年06:01:04 0.01 - 2.3 09年6月- 2016 07:59:23 59 0.08 - 0.9 09年6月- 2016年08:49:10 71.75 0.01 2.7 09 - 63年6月- 2016年09:53:57 0.03 - 3.4
因此,最后的两行meanTT有温度的意味着什么临时变量的行复制行乘以。
使时间表定期
最后,您可以重新取样数据从一个不规则的时间表定期使用调整时间函数。例如,您可以插入的数据meanTT在正常工资时间向量。使用线性插值,指定“线性”。每一行的时间hourlyTT开始一个小时,一个小时的时间间隔连续行乘以。
hourlyTT =调整时间(meanTT,“每小时”,“线性”)
hourlyTT =6×3的时间表时间临时雨风速____________________ ______月______ _____ 09 - jun - 2016 05:00:00 65.826 0.0522 3.0385 09 -君- 2016 06:00:00 72.875 0.010737 2.3129 09 - 2016 07:00:00 66.027 0.044867 1.6027 09年6月- 2016 08:00:00 59.158 0.079133 0.9223 09年6月- 2016年09:00:00 70.287 0.013344 2.8171 09 - 2016年6月——10:00:00 62.183 0.031868 3.4654
而不是使用一个预定义的时间步长等“每小时”,您可以指定一个时间步的自己。指定一个时间步的30分钟,使用“普通”输入参数和“步伐”名称-值参数。您可以指定一个时间步的任何大小持续时间或calendarDuration价值。
regularTT =调整时间(meanTT,“普通”,“线性”,“步伐”分钟(30))
regularTT =11×3的时间表时间临时雨风速____________________ ______月______ _____ 09 - jun - 2016 05:00:00 65.826 0.0522 3.0385 09 -君- 2016 05:30:00 69.35 0.031468 2.6757 09 - 2016 06:00:00 72.875 0.010737 2.3129 09年6月- 2016年06:30:00 69.576 0.027118 1.9576 09 -君- 2016 07:00:00 66.027 0.044867 1.6027 09 - 2016 07:30:00 62.477 0.062616 1.2477 09年6月- 2016年08:00:00 59.158 0.079133 0.9223 09 -君- 2016 08:30:00 66.841 0.03695 2.007 09 - 2016 09:00:00 70.287 0.013344 2.8171 09年6月- 2016年09:30:00 66.235 0.022606 3.1412 09 - 2016年6月——10:00:00 62.183 0.031868 3.4654
常规时间表数据提取到数组中
您可以导出的时间表数据使用函数来分析数据,定期间隔的时间。例如,计量经济学工具箱™和信号处理工具箱™函数可以使用定期间隔的数据进一步分析。
提取时间表数据作为一个数组。您可以使用变量属性返回数据作为一个数组,只要表变量的数据类型可以使它们连接。
一个= regularTT.Variables
一个=11×365.8260 0.0522 3.0385 69.3504 0.0315 2.6757 72.8747 0.0107 2.3129 69.5764 0.0271 1.9576 66.0266 0.0449 1.6027 62.4768 0.0626 1.2477 59.1579 0.0791 0.9223 66.8412 0.0370 2.0070 70.2868 0.0133 2.8171 66.2348 0.0226 3.1412⋮
regularTT.Variables相当于使用花括号语法,regularTT {:,:}时间表中的数据变量的访问。
A2 = regularTT {:,:}
A2 =11×365.8260 0.0522 3.0385 69.3504 0.0315 2.6757 72.8747 0.0107 2.3129 69.5764 0.0271 1.9576 66.0266 0.0449 1.6027 62.4768 0.0626 1.2477 59.1579 0.0791 0.9223 66.8412 0.0370 2.0070 70.2868 0.0133 2.8171 66.2348 0.0226 3.1412⋮
另请参阅
时间表|table2timetable|调整时间|issorted|sortrows|独特的|diff|isregular|rmmissing|fillmissing
