
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)

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

阅读文章 ➜

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。

随时关注您喜欢的主题


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
………

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 =

可下载资源

关于作者

Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

非常感谢您阅读本文，如需帮助请联系我们！

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

Google Trends，即谷歌趋势。

数据准备

数据预处理

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

随时关注您喜欢的主题

Pearson’s相关性检验

然后分别检验每个和降雨量的联系

搜索可视化

相关文章

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

Google Trends， 即谷歌趋势。

数据准备

数据预处理

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

随时关注您喜欢的主题

Pearson’s相关性检验

然后分别检验每个和降雨量的联系

搜索可视化

相关文章

关注有关新文章的微信公众号

Google Trends，即谷歌趋势。