时间戳

首页 > 解决方案 > 在 R 中分析变量随时间的协变

r - 在 R 中分析变量随时间的协变

问题描述

我正在使用 Rstudio 来分析数据。而且 - 我为什么要发布这个 - 我被卡住了！

数据是社区及其特征随时间演变的时间序列。例如，n_members（大小）会随着时间的推移而增加。

变量“randomseed”和“lhsExperimentNumber”的每个组合都是 1 个观察值。总共有 80,000 个观测值。每个观察都有一个从 1（月）到 204（月）的时间序列。这个时间的特点是变量 X.run.number

我想要什么： 查看随时间变化的因变量和自变量的协变。例如：我想看看在不同的情况下（例如，exit_window），n_members（大小）如何随时间演变。我通常使用 dplyr 和 ggplot2，我想在 ggplot 中制作一些迷人的图像。

我的问题：-我只是 R 的初学者，所以在这里看到正确的策略对我来说有点棘手，每个都随着时间独立发展。所以我真的不知道如何处理数据来制作合理的图表。

你们将如何解决这个问题？也许你可以帮我一些建议（那太好了！）

我使用 dput 重现了我的数据集的前 10 个观察结果：

library(ggplot2)
library(dplyr)
coop_dat <- structure(list(X.run.number. = c(2L, 3L, 4L, 1L, 2L, 3L, 4L, 
1L, 3L, 3L), rewire_prop = c(0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 
0.1, 0.1, 0.1), prior_trust_std = c(0.1, 0.1, 0.1, 0.1, 0.1, 
0.1, 0.1, 0.1, 0.1, 0.1), max_trust = c(2L, 2L, 2L, 2L, 2L, 2L, 
2L, 2L, 2L, 2L), maxCR_trust = c(0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 
0.2, 0.2, 0.2, 0.2), Ostrom. = structure(c(2L, 2L, 2L, 2L, 2L, 
2L, 2L, 2L, 2L, 2L), .Label = c("false", "true"), class = "factor"), 
    social_network = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 
    1L, 1L, 1L), .Label = "\"small-world\"", class = "factor"), 
    external_ROI_influence = structure(c(2L, 2L, 2L, 2L, 2L, 
    2L, 2L, 2L, 2L, 2L), .Label = c("false", "true"), class = "factor"), 
    randomseed = c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), lhsExperimentNumber = c(1L, 
    2L, 3L, 0L, 1L, 2L, 3L, 0L, 2L, 2L), X.step. = c(0L, 0L, 
    0L, 0L, 1L, 1L, 1L, 1L, 2L, 3L), size_start_cooperative = c(12L, 
    4L, 20L, 17L, 12L, 4L, 20L, 17L, 4L, 4L), degree_prior = c(7L, 
    21L, 40L, 15L, 7L, 21L, 40L, 15L, 21L, 21L), degree_coop = c(17L, 
    47L, 20L, 31L, 17L, 47L, 20L, 31L, 47L, 47L), prior_trust_average = c(0.40574414878618, 
    0.631650829650462, 0.369752783104777, 0.585182260912843, 
    0.40574414878618, 0.631650829650462, 0.369752783104777, 0.585182260912843, 
    0.631650829650462, 0.631650829650462), number_of_meetings = c(10L, 
    5L, 2L, 2L, 10L, 5L, 2L, 2L, 5L, 5L), n_interactions = c(20L, 
    3L, 9L, 19L, 20L, 3L, 9L, 19L, 3L, 3L), exit_window = c(5L, 
    1L, 3L, 4L, 5L, 1L, 3L, 4L, 1L, 1L), info_peer_behavior = c(0.396114811487496, 
    0.627111892865505, 0.148686024846975, 0.281594149058219, 
    0.396114811487496, 0.627111892865505, 0.148686024846975, 
    0.281594149058219, 0.627111892865505, 0.627111892865505), 
    memory = c(8L, 11L, 20L, 1L, 8L, 11L, 20L, 1L, 11L, 11L), 
    n_shares_total_sum = c(0L, 0L, 0L, 0L, 21L, 13L, 32L, 31L, 
    13L, 13L), n_shares_total_mean = c(0, 0, 0, 0, 1.75, 3.25, 
    1.6, 1.82352941176471, 3.25, 3.25), members_at_meeting = c(0L, 
    0L, 0L, 0L, 0L, 0L, 0L, 0L, 2L, 0L), trust_coop_total = c(0, 
    0, 0, 0, 0.0457418505048186, 0.0563109517340759, 0.0349050771003757, 
    0.0587220121136852, 0.0563109517340759, 0.0563109517340759
    ), rep_total = c(0, 0, 0, 0, 0, 0, 0, 0, 0, 0), ROI = c(0L, 
    0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L), current_strategy = c(0L, 
    0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L), price = c(0L, 0L, 0L, 
    0L, 0L, 0L, 0L, 0L, 0L, 0L), REfocus = c(0, 0, 0, 0, 0, 0, 
    0, 0, 0, 0), endpoint = c(0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 
    0L, 0L), HG_membertypes = c(0, 0, 0, 0, 0, 0, 0, 0, 0, 0), 
    n_members = c(0L, 0L, 0L, 0L, 12L, 4L, 20L, 17L, 4L, 4L), 
    n_ids = c(0L, 0L, 0L, 0L, 12L, 4L, 20L, 17L, 4L, 4L), n_prods = c(0L, 
    0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L), n_cons = c(0L, 0L, 0L, 
    0L, 0L, 0L, 0L, 0L, 0L, 0L), n_members_exit = c(0L, 0L, 0L, 
    0L, 0L, 0L, 0L, 0L, 0L, 0L)), .Names = c("X.run.number.", 
"rewire_prop", "prior_trust_std", "max_trust", "maxCR_trust", 
"Ostrom.", "social_network", "external_ROI_influence", "randomseed", 
"lhsExperimentNumber", "X.step.", "size_start_cooperative", "degree_prior", 
"degree_coop", "prior_trust_average", "number_of_meetings", "n_interactions", 
"exit_window", "info_peer_behavior", "memory", "n_shares_total_sum", 
"n_shares_total_mean", "members_at_meeting", "trust_coop_total", 
"rep_total", "ROI", "current_strategy", "price", "REfocus", "endpoint", 
"HG_membertypes", "n_members", "n_ids", "n_prods", "n_cons", 
"n_members_exit"), row.names = c(NA, 10L), class = "data.frame")

编辑：

现在我有这个简单的ggplot代码：

ggplot(dat) +
  geom_line(aes(x=month, y=trust_coop_total))

这会产生这个图表：

你可以看到这并不是一个真正的折线图。它更像是一个带有一堆垂直线的图表。我想要破译每个样本的趋势。如上所述，每个样本都是 lhsExperimentnumber 和 X.run.number 的组合。样本太多以至于折线图会让人不知所措，但结合 geom_jitter 的 alpha=1/10 命令可能会很好。但是，geom_jitter 忽略了样本本身的趋势。

我应该怎么做才能得到一个好的趋势图？

标签： rggplot2timetime-series

解决方案

推荐阅读