R语言Pearson相关性分析降雨量和“外卖”谷歌搜索热度google trend时间序列数据可视化

简介: R语言Pearson相关性分析降雨量和“外卖”谷歌搜索热度google trend时间序列数据可视化

它通过分析谷歌搜索引擎每天数十亿的搜索数据,告诉用户某一关键词或者话题各个时期下在谷歌搜索引擎中展示的频率及其相关统计数据。

我们为一位客户进行了短暂的咨询工作,他正在构建一个主要基于谷歌搜索词热度和外卖的分析应用程序。


数据准备


我们需要来检验英国下雨量和人们在谷歌上搜索外卖词汇是否有关联。

总共有六个文件,其中三个是英国降雨量,分别是英格兰+威尔士,苏格兰,和北爱尔兰。这三个文件是txt格式的,里面是日数据。

还有三个数据是google检索量,分别是搜索food takeaway, just eat,和domino’s pizza的,是csv格式的,然后是周数据。


数据预处理


我们先把三个降雨量的数据总和,得出整个英国的每日降雨量

EnglandEngland=read.table("rainfall (England+Wales).txt",skip=3)
scotland=read.table("rainfall(scotland).txt",skip=3)
northern_Ireland=read.table("rainfall(northern Ireland).txt",skip=3)
head(pizza)

然后再删减到和使用的google检索量数据一样,并且也变成周数据,最后整合在一起。

sum= EnglandEngland[,-c(1:2)]+scotland[,-c(1:2)]+northern_Ireland[,-c(1:2)] 
#合并年月
sum=cbind(EnglandEngland

变成类似这样的在Rstudio里

j=1
for(i in week){
 
  yearstart=as.numeric(strsplit(as.character(i),"-")[[1]][1])
  
  if(rowstart==rowend)weeksum[j]=  sum( sum[rowstart,(daystart+2):(dayend+2)])
  else weeksum[j]= sum( sum[rowstart,(daystart+2):33])+sum( sum[rowend,3:(dayend+2) ])
  rainfall  Food takeaway Just eat Domino’spizza
2011-01-02-2011-01-08



2011-01-09-2011-01-15



………





点击标题查阅往期内容


【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享


01

02

03

04

Pearson's相关性检验


在统计学中,皮尔逊相关系数,是用于度量两个变量X和Y之间的相关(线性相关),其值介于-1与1之间,其绝对值越大说明该两个变量越相关。

然后分别检验每个和降雨量的联系,用correlation coefficient的方法,得出来3个统计结果。

首先看Y与X是否有显著关系,即P值大小,接着分析相关关系为正向或负向,也可通过相关系数大小说明关系紧密程度。一般相关系数在0.7以上说明关系非常紧密。p<0.05,因而说明外卖搜索热度和降雨量之间有着较显著的正相关关系。达美乐披萨搜索热度和降雨量之间没有显著的正相关关系。


搜索可视化


最后做一张图,纵坐标是降雨量,横坐标是搜索量,三个检索量分别用三个颜色表示。

library(ggplot2)
ggplot(cordata, aes(weeksum)) + 
  geom_line(aes(y = domino.s.pizza, colour =

相关文章
|
3月前
|
数据采集 XML 监控
Google Search Console 做SEO分析之“已发现未编入” 与 “已抓取未编入” 有什么区别?
在 Google Search Console (GSC) 中,“已发现 - 尚未编入索引”(Discovered - currently not indexed) 和 “已抓取 - 尚未编入索引”(Crawled - currently not indexed) 是两种不同的状态,如果你的站点也有这两种状态就需要注意优化了。
139 0
|
8月前
|
机器学习/深度学习 人工智能 JSON
知识蒸馏方法探究:Google Distilling Step-by-Step 论文深度分析
大型语言模型(LLM)的发展迅速,从简单对话系统进化到能执行复杂任务的先进模型。然而,这些模型的规模和计算需求呈指数级增长,给学术界和工业界带来了挑战。为解决这一问题,知识蒸馏技术应运而生,旨在将大型模型的知识转移给更小、更易管理的学生模型。Google Research 提出的“Distilling Step-by-Step”方法不仅减小了模型规模,还通过提取推理过程使学生模型在某些任务上超越教师模型。该方法通过多任务学习框架,训练学生模型同时预测标签和生成推理过程,从而实现更高效、更智能的小型化模型。这为资源有限的研究者和开发者提供了新的解决方案,推动了AI技术的普及与应用。
350 19
知识蒸馏方法探究:Google Distilling Step-by-Step 论文深度分析
|
12月前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
240 3
|
12月前
|
机器学习/深度学习 数据采集 人工智能
R语言是一种强大的编程语言,广泛应用于统计分析、数据可视化、机器学习等领域
R语言是一种广泛应用于统计分析、数据可视化及机器学习的强大编程语言。本文为初学者提供了一份使用R语言进行机器学习的入门指南,涵盖R语言简介、安装配置、基本操作、常用机器学习库介绍及实例演示,帮助读者快速掌握R语言在机器学习领域的应用。
530 3
|
安全 中间件 PHP
Google Hacking高级实战-搜索特定口子-敏感信息
Google Hacking高级实战-搜索特定口子-敏感信息
|
数据可视化
R语言可视化设计原则:打造吸引力十足的数据可视化
【8月更文挑战第30天】R语言可视化设计是一个综合性的过程,需要综合运用多个设计原则来创作出吸引力十足的作品。通过明确目标、选择合适的图表类型、合理运用色彩与视觉层次、明确标注与引导视线以及引入互动性与动态效果等原则的应用,你可以显著提升你的数据可视化作品的吸引力和实用性。希望本文能为你提供一些有益的启示和帮助。
|
数据采集 存储 数据可视化
R语言时间序列分析:处理与建模时间序列数据的深度探索
【8月更文挑战第31天】R语言作为一款功能强大的数据分析工具,为处理时间序列数据提供了丰富的函数和包。从数据读取、预处理、建模到可视化,R语言都提供了灵活且强大的解决方案。然而,时间序列数据的处理和分析是一个复杂的过程,需要结合具体的应用场景和需求来选择合适的方法和模型。希望本文能为读者在R语言中进行时间序列分析提供一些有益的参考和启示。
|
机器学习/深度学习 自然语言处理 对象存储
[wordpiece]论文分析:Google’s Neural Machine Translation System
[wordpiece]论文分析:Google’s Neural Machine Translation System
214 1
|
数据可视化 数据挖掘 索引
R语言层次聚类、多维缩放MDS分类RNA测序(RNA-seq)乳腺发育基因数据可视化|附数据代码2
R语言层次聚类、多维缩放MDS分类RNA测序(RNA-seq)乳腺发育基因数据可视化|附数据代码
|
存储 数据可视化 数据挖掘
R语言层次聚类、多维缩放MDS分类RNA测序(RNA-seq)乳腺发育基因数据可视化|附数据代码1
R语言层次聚类、多维缩放MDS分类RNA测序(RNA-seq)乳腺发育基因数据可视化|附数据代码

推荐镜像

更多