J'ai des séries de données à 2 temps avec des horodatages différents et un nombre différent de points de données.Deux séries de données temporelles avec différents horodatages et un nombre différent de points de données
trame de données est d'abord:
Time Power_kW
10/9/2017 1:14:12 0.185
10/9/2017 1:14:53 0.182
10/9/2017 1:15:13 0.184
10/9/2017 1:15:53 0.175
. .
. .
10/9/2017 1:44:37 0.175
. .
. .
10/9/2017 2:13:38 0.181
. .
. .
10/9/2017 2:24:40 0.179
Deuxième dataframe est:
Local Time Value
10/9/2017 1:13:01 0
10/9/2017 1:42:10 1
10/9/2017 2:11:58 0
10/9/2017 2:23:30 1
Les secondes valeurs de trames de données indiquent la valeur entre les deux dates mentionnées. Cela signifie que la valeur de '0' doit être propagée à partir du 10/9/2017 1:13:01 0 au 10/9/2017 1:42:10. et la valeur 1 à partir de la date du 10/9/2017 1:42:10 jusqu'au 10/9/2017 2:23:30 et ainsi de suite. Je souhaite avoir le même nombre de points de données que la première trame de données en fusionnant ces deux valeurs de colonnes de trames de données. J'ai beaucoup de trames de données similaires à la deuxième image qui m'aidera à faire des corrélations avec le temps.
Je suis en train d'obtenir le résultat suivant après la fusion: (. J'ai ajouté quelques points dans le résultat de représenter comment devraient ressembler ensemble des données)
Time Power_kW Value
10/9/2017 1:14:12 0.185 0
10/9/2017 1:14:53 0.182 0
10/9/2017 1:15:13 0.184 0
10/9/2017 1:15:53 0.175 0
. .
. .
10/9/2017 1:44:37 0.175 1
10/9/2017 1:45:47 0.176 1
. .
10/9/2017 2:13:38 0.181 0
. .
. .
10/9/2017 2:24:40 0.179 1
Je ne réfère à ces threads et leur but ne se propagent pas.
R: merge two irregular time series
merge two time series with different time granularities
Quelqu'un peut-il s'il vous plaît me jeter une lumière?
Cela ressemble à une jointure non-équi pour moi. Recherchez ce terme et vous devriez obtenir un certain nombre de résultats. Si vous avez besoin de plus d'aide, veuillez inclure un exemple reproductible dans votre question (utilisez 'dput'). Ceci est particulièrement important pour les questions impliquant des variables de temps car cela nous aide à mieux comprendre votre structure de données et facilite la copie et le collage des données plutôt que de tenter de les construire à partir de rien. – lmo