这是一个基本问题，但我尝试搜索，但无法得到答案。
我有超过1万个与420家不同公司有关的时间序列记录。对于每个公司，我都有一个时间戳（月/年）和一些变量。时间序列的长度不一样。
在此阶段，所有记录都在一个dataframe中，看起来像这样
Date Code Var1 Var2 Var3 Var3
01/01/2010 AAA
01/02/2010 AAA
01/03/2010 AAA
01/01/2010 BBB
01/02/2010 BBB
01/03/2010 BBB
01/04/2010 BBB
01/01/2010 CCC
01/02/2010 CCC
01/03/2010 CCC
我稍后需要进行互相关，时间序列聚类并构建矢量自回归模型。
问题：
使用此类数据的准则是什么：
- 按原样使用dataframe
- 将其转换为每个公司的个人时间序列。
很高兴接受任何其他建议！
答案 0 :(得分：4)
没有黑白答案：两种对象类型都有不同用途的优势（虽然我几乎总是使用data.table代替data.frame来提问，因为你获得了更多的功能）。我个人在研究中可以互换使用，但通常以xts格式保留原始基础数据（在xts个对象中打勾或OHLC条数据）。
两种对象类型都很快，计算密集型代码用C语言编写。
如果时间序列的尺寸（长度或宽度）不大，您可以轻松地在安全级别来回传输（例如data.table("index" = index(xtsobj), coredata(xtsobj)），然后根据需要合并data.tables将证券组合成横截面类型的建模。对于我使用
xts个对象必须使用相同类型的所有列（numeric或character是常见类型），如果您将分类变量与数字数据混合，则可能是一个限制（您可以将分类变量映射到数值以解决此问题，但这是额外的工作，并且在建模数据时可能会降低清晰度。）
xts合并时间序列数据（merge），特别是在不同的时间频率下，非常简单。它在TTR和quantmod中构建移动窗口技术指标也非常有效。您还可以使用quantmod（chart_Series和add_TA）和xts绘图工具（请参阅?plot.xts）来显示开箱即用的烛台/ OHLC条数据。 xts将滴答数据汇总到OHLC条形数据中，并使用to.period等有用函数非常直接地更改条形数据系列的频率（例如，从5分钟到1小时，或到每日条形）， period.apply和endpoints（使用C代码可以快速完成）。
如果您打算在预测模型（例如安全性，情感类别）中使用许多分类变量构建预测模型（许多线性回归或更复杂的模型），您不希望将其映射到数字，它可能最好与data.table合作。 R中的许多预测模型（以及像聚类这样的无监督方法）要求数据采用data.frame格式，在这种情况下，如果您的最终目标是以data.table/data.frame格式存储/保存/加载数据可能更有意义预测建模。 VAR / var R包中的urca个模型也使用data.frame格式。虽然注意到许多预测模型（通过caret等）要求数据采用数字matrix格式，您可以使用xts轻松从coredata(xtsobj)对象中提取数据data.frame数据到matrix格式通常也很简单。）
如果您的数据集非常大（每个安全性在内存中为大n保留n GB的价格数据，并且您希望按组重复聚合（例如，计算的平均值/ sd为按月和符号或月份和扇区返回，您可能会发现data.table更自然地使用），您可能会发现data.table更高效，它旨在处理内存/ RAM中的大量数据并且比xts操作更容易复制。