0

我知道这已经被问过好几次了，但我找不到解决问题的正确方法。我上传了一个非常简单的 CSV 文件，如下所示：

27.07.2015,100
28.07.2015,100.1504
29.07.2015,100.1957
30.07.2015,100.5044
31.07.2015,100.7661
03.08.2015,100.9308
04.08.2015,100.8114
05.08.2015,100.6927
06.08.2015,100.7501
07.08.2015,100.7194
10.08.2015,100.8197
11.08.2015,100.8133

现在我需要将我的 data.frame 转换为 xts 以便我可以使用 PerformanceAnalytics 包。我的 data.frame 具有以下结构：

> str(mpey)
'data.frame':   243 obs. of  2 variables:
 $ V1: Factor w/ 243 levels "01.01.2016","01.02.2016",..: 210 218 228 234 241 21 30 38 45 52 ...
   - attr(*, "names")= chr  "5" "6" "7" "8" ...
 $ V2: Factor w/ 242 levels "100","100.0062",..: 1 4 5 10 16 20 17 13 15 14 ...
   - attr(*, "names")= chr  "5" "6" "7" "8" ...

我尝试了不同的as.xts功能，但可以让它工作。你能帮我解决这个问题吗？

4

1 回答 1

0

这是一个使用该tidyquant包的解决方案，它包含as_xts()将数据帧强制转换为 xts 对象以及as_tibble()将时间序列对象（例如 xts）强制转换为 tibbles（“整洁”数据帧）。

重新创建数据

> data_df
# A tibble: 12 × 2
         date    value
       <fctr>   <fctr>
1  27.07.2015      100
2  28.07.2015 100.1504
3  29.07.2015 100.1957
4  30.07.2015 100.5044
5  31.07.2015 100.7661
6  03.08.2015 100.9308
7  04.08.2015 100.8114
8  05.08.2015 100.6927
9  06.08.2015 100.7501
10 07.08.2015 100.7194
11 10.08.2015 100.8197
12 11.08.2015 100.8133

首先，我们需要重新格式化您的数据框。日期和值都存储为因子，它们需要分别位于日期和双精度类中。我们将加载tidyquant并重新格式化数据框。请注意，tidyquant加载tidyverse和财务包，因此您不需要加载任何其他内容。可以转换日期lubridate::dmy，将日-月-年格式的字符转换为日期。该值需要从因子到字符，然后从字符到双精度，这是通过嵌套as.numericand来完成的as.character。

> library(tidyquant)
> data_tib <- data_df %>%
     mutate(date = dmy(date),
            value = as.numeric(as.character(value)))
> data_tib
# A tibble: 12 × 2
         date    value
       <date>    <dbl>
1  2015-07-27 100.0000
2  2015-07-28 100.1504
3  2015-07-29 100.1957
4  2015-07-30 100.5044
5  2015-07-31 100.7661
6  2015-08-03 100.9308
7  2015-08-04 100.8114
8  2015-08-05 100.6927
9  2015-08-06 100.7501
10 2015-08-07 100.7194
11 2015-08-10 100.8197
12 2015-08-11 100.8133

现在，我们可以强制xts使用该tidyquant::as_xts()函数。只需指定date_col = date.

> data_xts <- data_tib %>%
     as_xts(date_col = date)
> data_xts
              value
2015-07-27 100.0000
2015-07-28 100.1504
2015-07-29 100.1957
2015-07-30 100.5044
2015-07-31 100.7661
2015-08-03 100.9308
2015-08-04 100.8114
2015-08-05 100.6927
2015-08-06 100.7501
2015-08-07 100.7194
2015-08-10 100.8197
2015-08-11 100.8133
于 2017-03-02T20:28:10.423 回答