如何合并每月，每日和每周数据？

Google趋势返回每周数据，因此我必须找到一种将它们与我的每日/每月数据合并的方法。

到目前为止，我所做的就是将每个系列分解为每日数据，例如：

从：

2013-03-03-2013-03-09 37

至：

2013-03-03 37 2013-03-04 37 2013-03-05 37 2013-03-06 37 2013-03-07 37 2013-03-08 37 2013-03-09 37

但这给我的问题增加了很多复杂性。我试图根据最近6个月的值或每月数据中的6个值来预测Google搜索。每日数据意味着需要对180个过去的值进行处理。（我有10年的数据，因此每月数据为120点/每周数据为500 + /每日数据为3500+）

另一种方法是将每日数据“合并”到每周/每月数据中。但是这个过程引起了一些问题。可以对某些数据求平均，因为它们的总和代表某些东西。例如，降雨，一周中的降雨量将等于构成一周的每一天的降雨量之和。

就我而言，我正在处理价格，财务汇率等问题。对于价格，在我的领域中通常会考虑交易量，因此每周数据将是加权平均值。对于财务费率来说，它要复杂一些，其中涉及一些公式来从每日费率中建立每周费率。对于其他事情，我不知道基础属性。我认为这些属性对于避免无意义的指标非常重要（例如，平均财务利率是无稽之谈）。

所以三个问题：

对于已知和未知的属性，我应该如何处理从每日到每周/每月的数据？

我觉得像每周一样将每周/每月数据分解为每日数据有点不对劲，因为我介绍的是现实生活中没有意义的数量。所以几乎是相同的问题：

对于已知和未知的属性，我应该如何从每周/每月变为每日数据？

最后但并非最不重要的一点：给定两个具有不同时间步长的时间序列时，哪个更好：使用最低或最大时间步长？我认为这是数据数量和模型复杂性之间的折衷，但是我看不出有任何强有力的论据可供选择。

编辑：如果您知道一个工具（在R Python甚至Excel中）很容易做到，将不胜感激。

当给定两个具有不同时间步长的时间序列时，哪个更好：使用最低或最大时间步长？

对于时间序列分析，您应该执行以下两项操作：使用每日数据集获得最大的粒度，并使用每月数据集重复分析。使用每月数据集，您可以拥有120个数据点，即使数据具有季节性，也足以获得时间序列模型。

对于已知和未知的属性，我应该如何处理从每日到每周/每月的数据？

要从每日数据中获取每周或每月的数据，可以使用平滑功能。对于财务数据，可以使用移动平均线或指数平滑法，但是如果这些方法不适用于您的数据，则可以在R中使用样条线平滑函数“ smooth.spline”：https ://stat.ethz.ch/R -manual / R-patched / library / stats / html / smooth.spline.html

返回的模型比原始的每日数据集具有更少的噪声，您可以获取所需时间点的值。最后，这些数据点可用于时间序列分析。

对于已知和未知的属性，我应该如何从每周/每月变为每日数据？

要获得每月或每周的数据，可以使用插值。首先，您应该找到一个方程式来描述数据。为此，您应该绘制数据（例如随时间变化的价格）。当您知道因素时，这些因素应影响该方程式。当因子未知时，可以使用最佳拟合方程。最简单的将是线性函数或分段线性函数，但是对于财务数据，这将无法正常工作。在这种情况下，应考虑分段三次样条插值。该链接详细介绍了可能的插值功能：http : //people.math.gatech.edu/~meyer/MA6635/chap2.pdf。

在R中，有一种用于对时间序列数据进行插值的方法。在这里，您将创建一个向量，其中包含每周值和每日价值差距中的资产净值，然后使用“ interpNA”函数获取资产净值的插值。但是，此函数使用“近似”函数来获取插值，该插值将应用线性插值或恒定插值。要在R中执行三次样条插值，应改为使用“ splinefun”功能。

需要注意的是，无论您是在看指数平滑法还是自回归综合移动平均（ARIMA）方法，时间序列模型通常都会进行某种平均以预测未来值。因此，预测每日价值的时间序列模型可能不是最佳选择，但每周或每月的模型可能更好。

我不是该领域的专家，但是我相信您的问题与时间序列的聚合和分解有关。如果是这样，那么这里有一些希望相关的资源，可能会对解决您的问题有所帮助（前五项是主要的，但具有代表性，而后两项是补充的）：

• 时间汇总和经济时间序列
• 时间序列的时间分解（IMHO，出色的概述论文）
• CRAN任务视图：时间序列分析（以R为重点）
• R时间序列工具简介
• 在R中使用财务时间序列数据
• 关于“时间序列分析和预测”这本书的章节内容的注释
• 每天到每月数据转换的交叉验证的讨论（以Python为重点）

这将不是一个令人满意的答案，但这是我的看法...

对于已知和未知的属性，我应该如何处理从每日到每周/每月的数据？

对于已知和未知的属性，我应该如何从每周/每月变为每日数据？

两者的答案相同：您无法针对未知属性执行此操作，对于已知属性，这将取决于如何计算值。

正如您提到的：

（例如，平均财务利率是无稽之谈）

无论属性/值是已知还是未知，都没有适合所有情况的单个转换。即使具有已知的属性，您仍可能需要为每种类型进行唯一的转换：平均值，中位数，众数，最小值，最大值，布尔值等。

当给定两个具有不同时间步长的时间序列时，哪个更好：使用最低或最大时间步长？

尽可能尝试保留最小步骤的全部粒度。假设您知道如何转换值，则可以始终汇总这些步骤（例如，逐日，逐月，逐年）...但是在有损转换之后，您不一定能够从较大的步骤中重建较小的步骤。 。

对于已知和未知的属性，我应该如何处理从每日到每周/每月的数据？

聚合。

例如，您有每天人们搜索“小部件”的时间。将一个月的每日总计相加即可得出每月总计。我需要查看有关每个粒度收集的实际数据的更多详细信息，以便为您提供更完整的版本。

对于已知和未知的属性，我应该如何从每周/每月变为每日数据？

你不能

在物理学中，一个可比的想法是奈奎斯特频率。通常的想法是，在不引入更多数据的情况下，您不能添加比数据中已经存在的信息更多的信息。仅给出某人运行查询的日期，您如何分辨该查询在一天的什么时间运行？您可能可以做出一些推断，但是回答问题的唯一方法是直接或间接将更多信息引入系统。您可以做一些事情来对月度变量的每日状态做出明智的猜测（如gchaks所提到的，内插法），但是从根本上说，您的数据仍然是月度数据，可以逐日查看。

给定两个具有不同时间步长的时间序列时，哪个更好：使用最低或最大时间步长？

这完全取决于您要回答的内容。

较小的粒度将对噪声和其他异常更加敏感。较大的粒度将能够更自信地回答问题，但会失去一些有用性。例如，如果您要查看人们何时开始寻找周末计划的场所，以了解何时启动新夜总会的营销活动，那么您将需要查看每日数据，即使不是更小。如果您正在查看夜总会的总体趋势以弄清楚您想投资的人，那么每月一次可能会更好。

使用Tableau软件可以轻松地基于日期段汇总数据。您只需将数据插入工具中，然后就可以将指标和日期维度拖放到报表主体空间上。Tableau会即时即时生成汇总可视化和/或详细数据表。您可以按年，季度，月，周，日，小时等对分组/求和（该工具提供的标准，内置，开箱即用功能）。

另外，如果您以后想要合并其他数据（我假设这是“未知属性”的意思），则可以导入另一个数据集，并轻松地将其追加到第一个数据集，只要它还提供了日期。

我建议您查看免费版本，我认为它是Tableau Public。