library(dplyr)
library(lubridate)
library(ggplot2)
library(agridat)7 Visualización de series temporales
En los dos últimos capítulos de apuntes para este taller práctico abordamos el importante apartado de la representación visual de datos con dependencias estrictas: temporales o espaciales. En este capítulo introducimos algunas herramientas para visualizar datos con dependencias temporales.
Paquete agridat
Como ejemplo usaremos varios conjuntos de datos del paquete agridat.
nass.barley,nass.corn,nass.rice,nass.soybeanynass.wheat: Cinco conjuntos de datos con valores de producción y superficie (en acres) cosechados en cada estado de EE.UU. para los cultivos agrícolas más importantes en este país, entre aproximadamente el año 1900 y el 2011. (Fuente: United States Department of Agriculture, National Agricultural Statistics Service).
7.1 Datos de series temporales
Los datos de series temporales son aquellos que incluyen una columna de marca de tiempo en la que se generó la entrada que para cada ítem con sus elementos descriptivos (atributos o features). En el caso particular de datos tabulados, tendremos una columna con una marca de tipo fecha, hora o fecha y hora, que marca el momento en que se generó o registró esa fila de datos.
7.1.1 Escala temporal en ggplot2
Es posible configurar la escala de representación en ggplot2 de manera que muestre datos de fecha o fecha y hora. Se consigue mediante varias funciones:
scale_*_datepara fechas representadas con la clase RDate.scale_*_timepara tiempo representado con la clase Rhms.scale_*_datetimepara fecha y hora (timestamp), representado con la clase RPOSIXct.
Primero, cargamos los paquetes necesarios.
Después, preparamos los datos para la representación gráfica de la serie temporal usando ggplot2. Al conectar la variable date_year que hemos construido transformando la columna year en clase Date, con el eje horizontal del gráfico mediante aes(date_year,...), la función ggplot() detecta el tipo de dato fecha y selecciona por defecto la escala correcta de representación y la resolución más adecuada (datos anuales).
# Obtenemos los totales anuales de cosecha de maiz
nass_corn_yearly <- nass.corn |>
select(year, yield) |>
group_by(year) |>
summarise(total_yield = sum(yield))
# Cambiamos la columna de fecha a tipo Date
nass_corn_yearly <- nass_corn_yearly |>
mutate(date_year = parse_date_time(year, "%Y"))
p1 <- ggplot(nass_corn_yearly, aes(date_year, total_yield)) +
geom_line(color = "darkolivegreen") +
geom_smooth(method = "loess", formula = "y ~ x")
p1
ggplot2.
Si ahora queremos representar un gráfico con la evolución simultánea de la cosecha total anual de maiz y trigo, primero tenemos que trabajar un poco más la tabla de datos antes de poder representarla. Se añade una columna adicional para discriminar la cosecha total por tipo de cultivo, siguiendo los principios de tidy data. Al componer el gráfico, indicamos que se conecte esta nueva variable con el canal de información de color, mediante aes(..., color = crop). Como resultado, se genera una gráfica en color diferente para cada grupo y aparece una leyenda explicativa a la derecha. El resultado se muestra en la Figura 7.2.
Tip
Fíjate bien en que no ha sido necesario transformar el tipo de esta nueva columna crop a factor. La función ggplot puede mapear directamente la información de color de gráfico a etiquetas de caracteres.
# Obtenemos los totales anuales de cosecha de trigo
nass_wheat_yearly <- nass.wheat |>
select(year, yield) |>
group_by(year) |>
summarise(total_yield = sum(yield))
# Cambiamos la columna de fecha a tipo Date
nass_wheat_yearly <- nass_wheat_yearly |>
mutate(date_year = parse_date_time(year, "%Y"))
# Creamos un gráfico uniendo la información de las dos tablas
# y creando una variable para identificar cada tipo de cultivo
ggplot(data = bind_rows(nass_corn_yearly |> mutate(crop = "corn"),
nass_wheat_yearly |> mutate(crop = "wheat")
),
aes(x = date_year, y = total_yield, color = crop)) +
geom_line() +
labs(x = "Año", y = "Toneladas",
title = "Evolución de cosechas de cultivos en EE.UU.",
subtitle = "Periodo: 1866 - 2011"
)
ggplot2.
7.1.2 El paquete tsibble
Existen diversos paquetes en R que permiten cargar, procesar y analizar datos de series temporales, incluyendo zoo o xts entre otros. Aquí nos vamos a centrar en explicar otro paquete mucho más reciente y potente, para manejo de datos de series temporales en objetos un diseño similar a los objetos de clase tibble en los paquetes del Tidyverse. Este paquete es tsibble y es parte de un ecosistema de paquetes para datos de series temporales llamado Tidyverts.
Presentamos unos ejemplos prácticos que demuestran algunas de las herrramientas de representación gráfica incluidas en este paquete. Existe un excelente manual sobre predicción de series temporales [Hyndman2021] que está publicado en abierto y utiliza estos paquetes como herramienta básica para todos los ejemplos mostrados: https://otexts.com/fpp3/.
library(tsibble)7.2 Taller práctico 2: representación de series temporales
Tal y como se explica en la Sec. 2.1 del libro de referencia (Hyndman & Athanasopoulos, 2021), (https://otexts.com/fpp3/tsibbles.html), se puede construir un objeto de tipo tsibble a partir de un objeto tibble o data.frame de R, utilizando la función as_tsibble. El argumento index de esta función permite señalar qué columna contiene la información de dependencia temporal de los datos. Además, un objeto tsibble puede contener múltiples series temporales, en cuyo caso también tenemos que indicar mediante otro argumento key qué columna adicional podemos “acoplar” a la columna index para discriminar los datos correspondientes de cada serie.
# Calculamos los totales anuales de cosecha de ambos cultivos
# Ya no necesitamos transformar la columna de año a clase Date
nass_corn_yearly <- nass.corn |>
select(year, yield) |>
group_by(year) |>
summarise(total_yield = sum(yield))
nass_wheat_yearly <- nass.wheat |>
select(year, yield) |>
group_by(year) |>
summarise(total_yield = sum(yield))
crops_yearly <- bind_rows(nass_corn_yearly |> mutate(crop = "corn"),
nass_wheat_yearly |> mutate(crop = "wheat")
)
crops_yearly_tsibble <- crops_yearly |>
as_tsibble(key = crop, index = year)
crops_yearly_tsibble# A tsibble: 292 x 3 [1Y]
# Key: crop [2]
year total_yield crop
<int> <dbl> <chr>
1 1866 860. corn
2 1867 940 corn
3 1868 941. corn
4 1869 854 corn
5 1870 994. corn
6 1871 964. corn
7 1872 1015. corn
8 1873 878 corn
9 1874 840. corn
10 1875 955. corn
# ℹ 282 more rows
Tip
Observa que tampoco es necesario que la columna que va a actuar como key en el objeto tsibble sea de tipo factor. Fíjate también en que, siempre que los datos tengan periodicidad anual, tampoco es necesario transformar la columna de información temporal a clase Date, al contrario de lo que sucede si usamos ggplot2 con un data.frame o tibble directamente.
Compatibilidad con el resto de paquetes Tidyverse
Se pueden usar las funciones habituales del paquete dplyr, como mutate(), select(), filter() o summarise() con los objetos tsibble directamente.
Ahora ya sólo queda componer nuestro gráfico, que se muestra en la Figura 7.3. La potencia de este método de trabajo con tsibble radica en que la función autoplot() escoge por defecto muchos de los parámetros adecuados para componer la gráfica.
El paquete
feasts
Las funciones para creación de gráficos mediante autoplot() están en otro paquete de la familia Tidyverts, en concreto en el paquete feasts. Hay que cargar previamente este paquete para que autoplot() funcione correctamente.
library(feasts)
# No es necesario especificar etiqueta para el eje X
autoplot(crops_yearly_tsibble, total_yield) +
labs(y = "Toneladas",
title = "Evolución de cosechas de cultivos en EE.UU.",
subtitle = "Periodo: 1866 - 2011")
tsibble para crear la gráfica.
Otra de las ventajas de los objetos de tipo tsibble es que se detecta automáticamente la periodicidad de los datos a partir de la información en la columna que actúa como index, aunque en este ejemplo sólo tenemos un dato global de cosecha para cada año y no se pueden extraer componentes estacionales o realizar otro tipos de análisis sobre la periodicidad de los datos.