Question

我有非常大的连续数据集（> 1M行），由于传感器故障或其他外部因素而导致频繁的“中断”或“跳跃”。这些中断对应于添加或删除的恒定值，并且仅持续有限的时间。我正在尝试将这些序列与其余数据重新对齐。

par(mfrow=c(2,1))

#simulating perfect dataset
dfe<-data.frame(
  date=seq(as.Date('2015-07-12'),as.Date('2015-07-12')+49, by = '1 day'),
  valueideal=round(sin(seq(1,50,1))+20)
)

#introducing artifacts
dfe$valuer<-dfe$valueideal
dfe$valuer[10:20]<-dfe$valueideal[10:20]+10
dfe$valuer[30:35]<-dfe$valueideal[30:35]-10


#plotting ideal vs real data
plot(dfe$date, dfe$valuer, main="real data", ylim=c(8,32))
plot(dfe$date, dfe$valueideal, main="ideal data", ylim=c(8,32))

所以我的数据看起来像“真实数据”，我希望它们将它们重新调整为“理想数据”。

到目前为止，我制作了一个for循环，除了每个工件的第一个数据点外，其余大部分都有效，并且对其余数据有轻微影响。我不确定为什么或如何解决它：

#trying to solve it with a loop
dfe$valuel<-dfe$valuer
for (i in seq(2,length(dfe$valuel)-1,1)){
  future<-diff(c(dfe$valuel[i],dfe$valuel[i+1]))
  past<-diff(c(dfe$valuel[i-1],dfe$valuel[i]))

  if (abs(future)>2*abs(past)){
    dfe$valuel[i:length(dfe$valuel)]<-dfe$valuel[i:length(dfe$valuel)]-future

  }
}
plot(dfe$date, dfe$valuel, main="loop corrected data", ylim=c(8,32))

我也担心在非常庞大的数据集上使用此方法，因此不确定会花费多长时间。因此，我也尝试使用此R function to subtract the difference between consecutive values in vector from subsequent values in vector方法，但是效果并不理想，可能是因为很难选择与之相关的delta_max值：

#trying to solve it with a vectorised function
remove_artifacts <- function(weights, delta_max) {
  # calculate deltas, and set first delta to zero
  dw <- c(0, diff(x))
  # create vector of zeros and abs(observations) > delta_max
  # dw * (logical vector) results in either:
  # dw * 0 (if FALSE)
  # dw * 1 (if TRUE)
  dm <- dw * (abs(dw) > delta_max)
  # subtract the cumulative sum of observations > delta_max
  return(weights - cumsum(dm))
}
dfe$valuedm<-remove_artifacts(dfe$valuer, 10)
plot(dfe$date, dfe$valuedm, main="remove artifacts function", ylim=c(8,32))

所以我的问题是，如何有效纠正这些连续的数据中断？

Answer 1

这不是一个完美的解决方案。首先，我使用您的代码来设置问题。

#simulating perfect dataset
dfe<-data.frame(
  date=seq(as.Date('2015-07-12'),as.Date('2015-07-12')+49, by = '1 day'),
  valueideal=round(sin(seq(1,50,1))+20)
)

#introducing artifacts
dfe$valuer<-dfe$valueideal
dfe$valuer[10:20]<-dfe$valueideal[10:20]+10
dfe$valuer[30:35]<-dfe$valueideal[30:35]-10

接下来，我使用breakpoints包中的strucchange查找时间序列中的断点。

# Find breakpoints
bp <- strucchange::breakpoints(valuer ~ date, data = dfe)

# Get breakpoints plus start & end of time series
int <- c(1, bp$breakpoints + 1, nrow(dfe))

在这里，我根据断点向数据集添加标签。我绘制了包括颜色在内的图，以查看我们做得如何。（一个散客，还算不错。）

# Create labels
dfe$label <- cut(1:nrow(dfe), 
                 breaks = int, 
                 include.lowest = TRUE, 
                 right = FALSE)

# Plot "real" data coloured by label
with(dfe, plot(date, valuer, col = label, main="real data", ylim=c(8,32)))

然后我切换到data.table，因为那是我的麻烦。

# Load library
library(data.table)

# Convert to data.table
setDT(dfe)

我将label分组，然后使用每个间隔的平均值进行校正。

# Offset by mean
dfe[, corrected := valuer - mean(valuer), by = label]

# Plot again
with(dfe, plot(date, corrected, col = label, main = "Corrected data", ylim = c(-10, 10)))

^{由reprex package（v0.2.1.9000）于2019-12-02创建}

流浪者把这个间隔丢了一点，但是纠正的解决方案并不可怕。

TL; DR

# Find breakpoints
bp <- strucchange::breakpoints(valuer ~ date, data = dfe)$breakpoints

# Add start & end points
int <- c(1, bp + 1, nrow(dfe))

# Tag intervals
dfe$label <- cut(1:nrow(dfe), 
                 breaks = int, 
                 include.lowest = TRUE, 
                 right = FALSE)

# Correct by subtracting mean from each interval
data.table::setDT(dfe)[, corrected := valuer - mean(valuer), by = label]

Answer 2

这是另一个快速解决方案，因为它使用data.table，因此可以就地修改。首先，我设置了问题。

#simulating perfect dataset
dfe<-data.frame(
  date=seq(as.Date('2015-07-12'),as.Date('2015-07-12')+49, by = '1 day'),
  valueideal=round(sin(seq(1,50,1))+20)
)

#introducing artifacts
dfe$valuer<-dfe$valueideal
dfe$valuer[10:20]<-dfe$valueideal[10:20]+10
dfe$valuer[30:35]<-dfe$valueideal[30:35]-10

接下来，我加载data.table并将数据帧转换为数据表。

# Load data.table
library(data.table)

# Convert data frame into data.table
setDT(dfe)

我使用矢量化方法而不是问题中的循环来计算连续值中的差异。

# Calculate changes
dfe[, delta := c(abs(diff(valuer)), 0)]

这些差异用于将时间序列分为多个间隔：

# Labels intervals
dfe[, int := cut(.I, 
                 breaks = c(0, which(delta > 3 * sd(delta)/mean(delta)), nrow(dfe)), 
                 include.lowest = TRUE)]

我将所有间隔定为零。

# Mean of zero
dfe[, value_new := valuer - mean(valuer), by = int]

然后，我添加一个偏移量作为第一组的平均值。

# Correct offset
dfe[, value_new := value_new + dfe[, mean(valuer), by = int][, first(V1)]]

最后，我绘制结果。

# Plot result
with(dfe, plot(date, value_new, main="real data", ylim=c(8,32)))

^{由reprex package（v0.3.0）于2019-12-11创建}

纠正时间序列中的连续错误

2 个答案:

TL; DR