我已经阅读了大量的帮助和在线预订，包括http://a-little-book-of-r-for-time-series.readthedocs.io/en/latest/src/timeseries.html但是't seem to find a similar example to what I need. I'在数据集中有时间条目不常规 . 我正在跟踪推文 . 这是我的示例数据帧：推文数据帧:(推文数始终是1 - 它是假的）
datetime tweetcount retweets hashtags_used atmention likes
02-01-2016 02:34 1 3 1 2 1
04-01-2016 13:45 1 1 1 1 0
04-01-2016 17:55 1 5 2 4 2
Follow_dat （这是一个单独的数据框，跟随计数总是1 - 虚拟）
datetime followcount
02-01-2016 02:34 1
04-01-2016 13:45 1
04-01-2016 17:55 1
我尝试了几件事：例如，我使用cut命令将数据剪切成几小时，但这不准确，因为在那一小时内跟随者可能仍然在推文之前 - 我不确定这是否有意义 .
我想要做的是找出追随者与时间相关的推文变量/因素 . 通过按小时缩短来创建一个更精确的表我会降低准确性，但我似乎无法找到另一种方法来进行回归并使模型与此相符，或者找出哪些因素很重要 .
df$week <- as.Date(cut(df$datetime, breaks = "week", start.on.monday = FALSE))
我用来剪切数据的代码 . 然后我聚合到另一个表中 . 从那里我可以运行ARIMA但是... a）这意味着跟随和推文可以在同一周关联，即使在推文之前发生了跟随 . 我需要确保跟进之后 . b）如果下周发生了跟随，那么它就没有关联 .
1 回答
将日期时间重新编码为几个因素（如年，月，工作日，分钟或秒）并提供适当的聚合是一种合理的方法，尤其是在您尝试确定季节性或趋势时 .
您能更详细地解释一下您想要预测/完成的内容吗？