zoo是时间序列的基础库，而xts在zoo基础上进行了拓展，其对日期的处理较zoo更为精细。
zoo = matrix + index
xts = vector + matrix + attributed
即xts由三部分组成。
1.索引部分：时间类型向量
2.数据部分：以矩阵为基础类型，支持可以与矩阵相互转换的任何类型
3.属性部分：附件信息，包括时区，索引时间类型的格式等
一、安装xts包
> install.packages("xts")
二、时间类型数据
在学习xts之前，需要先了解时间类型数据。
- 在R语言里面有两个基本的函数：as.POSIXlt() 和 as.POSIXct()可以把表示时间的字符串转化为时间类型数据。
> myDataTimeStr = "2013-12-19 10:17:07" #此时数据类型为character
> class(myDataTimeStr)
[1] "character"
> myPOSIXct = as.POSIXct(myDataTimeStr) #虽然表现形式一样，但通过class()可知已完成数据类型转换
> class(myPOSIXct)
[1] "POSIXct" "POSIXt"
*注意：一周是按0到6开始的，0是星期日
- datetime的默认格式是“yyyy-mm-dd hh:mm:ss”或“yyyy/mm/dd hh:mm:ss”。
若要改变时间表达格式，可以使用format = "..."
> myPOSIXct1 = as.POSIXct("19-12-2003 10:17:07",format = "%d-%m-%Y %H:%M:%S")
> myPOSIXct1
[1] "2003-12-19 10:17:07 CST"
- “POSIXct”对象有一个内部表示，它是来自某个起始datetime的秒数，我们也可以从数值数据中创建它们。
> myPOSIXct2 = as.POSIXct(0,origin = "1970-01-01")
> myPOSIXct2
[1] "1970-01-01 08:00:00 CST"
> as.numeric(myPOSIXct2)
[1] 0
> myPOSIXct2 = as.POSIXct(0,origin = "1970-01-02")
> myPOSIXct2
[1] "1970-01-02 08:00:00 CST"
> as.numeric(myPOSIXct2)
[1] 86400
请注意，因为“CST”（中国标准时间）比“gm/UTC”时间晚8个小时，所以日期显示为“1970-01-01 08:00 CST”。
- 在许多情况下，最好在“GMT(UTC)”中定义datetimes，以避免在处理datetimes时出现时区问题。
> as.POSIXct("1960-01-01",tz = "GMT")
[1] "1960-01-01 GMT"
- 可以使用
Sys.setenv(TZ = "UTC")来设置系统市区到“GMT(UTC)”，使其变为默认时区。
但如果你想再转到“CST”（中国标准时间），使用Sys.setenv(TZ = "CST")是无效的，这是因为CST有四种不同的含义。建议可以用Sys.setenv(TZ = "Asia/Shanghai")，或者使用ISOdatetime()函数。
> myPOSIXct3 = ISOdatetime(year=2013,month=12,day=19,hour=10,min=17,sec=7,tz = "")
> class(myPOSIXct3)
[1] "POSIXct" "POSIXt"
> myPOSIXct3
[1] "2013-12-19 10:17:07 CST"
- 时间数据的加减
> myPOSIXct2
[1] "1970-01-02 08:00:00 CST"
> myPOSIXct4 = myPOSIXct2 - 8*60*60
> myPOSIXct4
[1] "1970-01-02 CST"
- 当前时间
> Sys.time()
三、xts基础内容
1. 构建xts
> library(xts)
> dates <- seq(as.Date("2016-01-01"),length = 5,by = "days")
> dates
[1] "2016-01-01" "2016-01-02" "2016-01-03" "2016-01-04" "2016-01-05"
> data <- rnorm(5) #随机生成五个数字
> smith <- xts(x = data,order.by = dates)
> smith
[,1]
2016-01-01 -1.92935732
2016-01-02 0.47103271
2016-01-03 1.15349653
2016-01-04 0.85077517
2016-01-05 0.05895633
2. 解构xts
当使用时间序列时，有时需要将您的时间序列分离到其核心数据和索引属性中，以进行额外的分析和操作。核心数据是“xts”的矩阵部分。您可以使用coredata()将其与“xts”对象分隔开。xts对象的索引部分可用index()函数来获得。
> hayek_core <- coredata(hayek)
> class(hayek_core)
[1] "matrix"
> hayek_index <- index(hayek)
> class(hayek_index)
[1] "Date"
3. 取出时间1至时间2之间的数据
> x <- as.xts(x) #将x从zoo变为xts
> x_2016 <- x["2016"] #提取2016年的数据
> jan_march <- x["2016-01-01/2016-03-22"] #提取2016年1月1日至3月22日的数据
#提取某几天的数据
> dates <- as.Date(c("2016-06-04","2016-06-08"))
> thedata <- x[dates]
4. 提取最后几天的数据
使用last()和first()函数
> temp.max <- c(74,78,79,80,90,89,87,89,81,83,93,89,86,89,75,79)
> temp.mean <- c(69,66,68,76,79,78,80,73,72,81,82,78,80,72,69,77)
> temp.min <- c(60,56,59,69,68,70,72,72,67,64,69,77,68,68,60,60)
> temps <- xts(cbind(temp.max,temp.mean,temp.min),order.by = as.Date("2017-07-01")+0:15)
> lastweek <- last(temps,"1 week") #提取最后一周的数据
> lastweek
temp.max temp.mean temp.min
2017-07-10 83 81 64
2017-07-11 93 82 69
2017-07-12 89 78 77
2017-07-13 86 80 68
2017-07-14 89 72 68
2017-07-15 75 69 60
2017-07-16 79 77 60
> last(lastweek,2) #提取最后一周的最后两天的数据
temp.max temp.mean temp.min
2017-07-15 75 69 60
2017-07-16 79 77 60
> first(lastweek,"-2 days") #提取最后一周除开始两天以外的数据
temp.max temp.mean temp.min
2017-07-12 89 78 77
2017-07-13 86 80 68
2017-07-14 89 72 68
2017-07-15 75 69 60
2017-07-16 79 77 60
> first(last(first(temps,"2 weeks"),"1 week"),"3 days") #提取第二周前三天的数据
temp.max temp.mean temp.min
2017-07-03 79 68 59
2017-07-04 80 76 69
2017-07-05 90 79 68
5. 结合多个时间序列
使用merge()函数。注意dataframe不能直接使用merge()。
> merge(x, y, join = "inner") #以x，y都有的时间为准
> merge(x, y, join = "left", fill = 0) #以x的时间为准，y空缺部分补0
> merge(x, y, join = "right") #以y的时间为准
6. 滞后时间序列&先行时间序列
创造一个x的先行一期时间序列：
> lead_x <- lag(x, k = -1)
创造一个x的滞后一期时间序列：
> lag_x <- lag(x, k = 1)
7. 差分
一阶差分，即x(t)-x(t-k)可以通过diff()得到。
#Calculate the first order 12 month difference of AirPass
> diff(AirPass, lag = 12, difference = 1), n=15)
8. 按时间间隔查找数据
enpoints()
9. period.apply
10. 分割
split()与xts.split()
11. 发现周期性
periodicity()
