-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathReutlingen.R
165 lines (162 loc) · 7.13 KB
/
Reutlingen.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
library(readxl)#
library(dplyr)#
library(xts)#
library(tibble)
library(lubridate)#
library(forecast)#
install.packages("DataCombine")
library(DataCombine)
in_path2 <- "~/Desktop/Fahrverbote/Reutlingen/Daten/ReutlingenNOx2017bis2019.xlsx"
in_path <- "~/Desktop/Fahrverbote/Reutlingen/Daten/ReulingenLederOst2017bis2019.xlsx"
ReutlingenLederer2017bis2019 <- read_excel(in_path)
View(ReutlingenLederer2017bis2019)
#nur Datum und NOx Werte als "data.frame"
ReutlingenLederer_h <- ReutlingenLederer2017bis2019[,c(4,5)]
dim(ReutlingenLederer_h) #17761h = Zeilen; 2 Spalten
#ReutlingenLederer_h[17761,] # 2019-04-13 24:00 35
# Zahl der Stunden auf105 volle Wochen begrenzen 24h*7Tage
#ReutlingenLederer_h <- ReutlingenLederer_h[1:17641,] %>% na.locf()
colnames(ReutlingenLederer_h) <- c("Datum","NOx")
head(ReutlingenLederer_h,1) # 2017-04-01 01:00 75
tail(ReutlingenLederer_h,1) # 2019-04-08 23:00 44
# MIttelwert über gesamte Zeit:
mean(ReutlingenLederer_h$NOx,na.rm = T) # 53.9
sqrt(var(ReutlingenLederer_h$NOx,na.rm = T)) # 22.54
ReutlingenLederer_h$Datum <- ymd_hm (ReutlingenLederer_h$Datum)
ReutlingenLederer_hXTS <- xts(ReutlingenLederer_h$NOx, order.by = ReutlingenLederer_h$Datum, tz = "CET") %>% na.locf()
nox_index <- index(ReutlingenLederer_hXTS)
ReutlingenLedere_yXTS <- apply.yearly(Reutlingen_4470hXTS,mean)
ReutlingenLedere_mXTS <-apply.monthly(Reutlingen_4470hXTS,mean)
plot(ReutlingenLedere_mXTS)
avx <- ma(ReutlingenLederer_hXTS, order = 8760, centre = F)
avx0 <- avx[!is.na(avx)]
plot(avx0)
reduz <- avx0[1]-avx0[length(avx0)]
attr(ReutlingenLederer_hXTS,"frequency") <- 24*7*26
x <- decompose(as.ts(ReutlingenLederer_hXTS))
plot(x)
plot(x$trend[15624:17640])^
plot(x$seasonal[15624:17640])
tail(merge(Wind_XTS,ReutlingenLederer_hXTS))
# MITTELWERTE TAGE
ReutlingenLederer_dXTS <- apply.daily(ReutlingenLederer_hXTS, mean)
dim(ReutlingenLederer_dXTS) #738 Tage
attr(ReutlingenLederer_dXTS,"frequency") <- 7*30
xd <- decompose(as.ts(ReutlingenLederer_dXTS))
plot(xd)
# Wochenmittel aus Stundenwerten
ReutlingenLederer_wXTS <- apply.weekly(ReutlingenLederer_hXTS,mean)
dim(ReutlingenLederer_wXTS) #107 Wochen
attr(ReutlingenLederer_wXTS,"frequency") <- 35
xw <- decompose(as.ts(ReutlingenLederer_wXTS) )
plot(xw)
# Umwandlung in Matrix 24Spalten = 24 h und 735 Zeilen = Tage
sum(is.na(ReutlingenLederer_h)) # 0
lederer_NOXmatrix <- t(matrix(ReutlingenLederer_h$NOx,nrow = 24)) #enthält noch NA
head(lederer_NOXmatrix)
stundenWerteNOx_mittel <- colMeans(lederer_NOXmatrix, na.rm = TRUE)
plot(stundenWerteNOx_mittel)
# Die Messstation liefert seit 1.4.17 Stundenwerte
ReutlingenLederer_h_letztesJahr <- ReutlingenLederer_h["2017-04-09/2019-04-08"]
ReutlingenLederer_h_letztesJahr <- na.locf(ReutlingenLederer_h_letztesJahr)
#Tagesmittel
tagesmittel_ReutlingenLederer_letztesJahr <- apply.daily(ReutlingenLedererXTS_letztesJahr[,1],FUN = mean, na.rm = TRUE)
# Tageswerte ohne Aufteilung in Stunden etc.
letzteTage <- as.Date(index(ReutlingenLedererXTS_letztesJahr))
tagesmittel_ReutlingenLederer_letztesJahr <- xts(ReutlingenLedererXTS_letztesJahr, order.by = letzteTage)
tail(tagesmittel_ReutlingenLederer_letztesJahr)
plot(tagesmittel_ReutlingenLederer_letztesJahr)
# Zerlegung in Trend, periodischen Anteil und Störungen
attr (tagesmittel_ReutlingenLederer_letztesJahr,'frequency') <- 180
decompRes <- decompose(tagesmittel_ReutlingenLederer_letztesJahr, type = "additive",frequency(7))
length(tagesmittel_ReutlingenLederer_letztesJahr) #728 ntspricht 104 Wochen
# nur NOx Daten
tagesmittel_letztesJahr_tbl <- tibble(tagesmittel_ReutlingenLederer_letztesJahr)
my.index <- letzteTage
tagesmittel_letztesJahr_tbl <- cbind(my.index,tagesmittel_ReutlingenLederer_letztesJahr)
# Mittelwert letztesJahr
mean(tagesmittel_ReutlingenLederer_letztesJahr) #51.45
#Standardabweichung letztesJahr
qu1_2019 <-tagesmittel_ReutlingenLederer_letztesJahr["201901/03"]
plot(qu1_2019)
class(qu1_2019)
my.datamatrix <- t(matrix(data =all_data, nrow = 24))
head(my.datamatrix,1)
head(all_data)
select00_06 <-ReutlingenLedererXTS["T00:00/T06:00"]
select06_07 <-ReutlingenLedererXTS["T06:00/T07:00"]
select07_08 <-ReutlingenLedererXTS["T07:00/T08:00"]
select08_10 <-ReutlingenLedererXTS["T08:00/T10:00"]
select10_12 <-ReutlingenLedererXTS["T10:00/T12:00"]
select12_14 <-ReutlingenLedererXTS["T12:00/T14:00"]
select14_16 <-ReutlingenLedererXTS["T14:00/T16:00"]
select16_18 <-ReutlingenLedererXTS["T16:00/T18:00"]
select18_20 <-ReutlingenLedererXTS["T18:00/T20:00"]
select20_22 <-ReutlingenLedererXTS["T20:00/T22:00"]
select22_24 <-ReutlingenLedererXTS["T22:00/T24:00"]
mean(select00_06,na.rm =T)
mean(select06_07,na.rm =T)
mean(select08_10,na.rm =T)
mean(select10_12,na.rm =T)
mean(select12_14,na.rm =T)
mean(select14_16,na.rm =T)
mean(select16_18,na.rm =T)
mean(select18_20,na.rm =T)
mean(select20_22,na.rm =T)
mean(select22_24,na.rm =T)
auswahltag <- function(x,thisday){x %>% mutate(Tag = weekdays(x$Datum))%>%
filter (Tag == thisday) }
reutlingen_monday <- auswahltag(ReutlingenLederer,"Montag")
reutlingen_tuesday <- auswahltag(ReutlingenLederer,"Dienstag")
reutlingen_wednesday <- auswahltag(ReutlingenLederer,"Mittwoch")
reutlingen_thursday <- auswahltag(ReutlingenLederer,"Donnerstag")
reutlingen_friday <- auswahltag(ReutlingenLederer,"Freitag")
reutlingen_saturday <- auswahltag(ReutlingenLederer,"Samstag")
reutlingen_sunday <- auswahltag(ReutlingenLederer,"Sonntag")
tail(reutlingen_monday)
sum(is.na(reutlingen_monday))
monday_hour <- t(matrix(reutlingen_monday$NOx,nrow =24))
monday.means <- colMeans(monday_hour,na.rm = TRUE)
plot(monday.means)
hour_perday <- function(x){colMeans(t(matrix(x$NOx,nrow = 24)),na.rm = T) }
plot(hour_perday(reutlingen_monday))
plot(hour_perday(reutlingen_tuesday))
plot(hour_perday(reutlingen_wednesday))
plot(hour_perday(reutlingen_thursday))
plot(hour_perday(reutlingen_friday))
plot(hour_perday(reutlingen_saturday))
plot(hour_perday(reutlingen_sunday))
is.na(ReutlingenLederer$NOx)
#Auswahl der Zeilen mit Messwerten
no_na <- !is.na(ReutlingenLederer$NOx)
sum(no_na)
ReutlingenLedererXTS <- ReutlingenLedererXTS[no_na,]
sum(is.na(ReutlingenLedererXTS))
class(ReutlingenLedererXTS)
#Gleitender Mittelwert über 365 Tage
my.ma <- ma(ReutlingenLedererXTS, order = 365*24, centre = F)
ReutlingenLedererXTS[((365*12)+1):((365*12)+6)]
my.ma[365*12+1] # erster Wert <> NA
is_val <- !is.na(my.ma)
my.ma[is_val]
plot(my.ma[is_val])
ReutlingenLedererZoo <- as.zoo(ReutlingenLedererXTS)
colnames( ReutlingenLedererZoo) <- "Daten"
index_no_na <-ReutlingenLedererZoo$Daten != NA
ReutlingenLedererZoo <- ReutlingenLedererZoo[index_no_na]
new_ma_Lederer <- ma(ReutlingenLedererZoo)
ggplot(aes(x= index(ReutlingenLedererXTS), y = my.ma) +geom_line())
fit <- stl(ReutlingenLedererXTS_2018,s.window = "periodic",s.degree = 1)
#NA entfernen mit nächstem Wert
ReutlingenLedererZoo1 <- na.locf(ReutlingenLedererZoo)
# NA entfernen mit letztem Wert
ReutlingenLedererZoo2 <- na.locf(ReutlingenLedererZoo,fromLast = TRUE)
dim(ReutlingenLedererZoo2)
last(ReutlingenLedererZoo2)
letztesJahr <-ReutlingenLederer_hXTS["2018-04-09/2019-04-08",1]
sum(is.na(letztesJahr)) #0
letztesJahr %>% mean() # 51.465
letztesJahr_lowWind <- letztesJahr[low_Wind_XTS]
letztesJahr_lowWind %>% mean()
sum(is.na(letztesJahr_lowWind))
dim(letztesJahr_lowWind) #28822 h Werte