如何计算时间序列数据中Light变量不同时间周期的平均值

你需要的多窗口滑动均值可以通过tidyverse+lubridate+slider工具链实现，逻辑更直观，可灵活适配你的窗口定义需求，避免xts、timeAverage等工具默认聚合逻辑和需求不匹配的问题。

前置准备 #

先安装加载所需依赖包：

# 首次使用先执行安装
# install.packages(c("tidyverse", "lubridate", "slider"))
library(tidyverse)
library(lubridate)
library(slider)

步骤1：数据预处理 #

首先确保时间字段格式正确、数据按时间升序排列：

# 替换df为你的实际数据集名称
df_clean <- df %>%
  # 将Date列转换为标准时间格式
  mutate(Date = ymd_hms(Date)) %>%
  # 严格按时间升序排序，避免窗口计算错误
  arrange(Date)

步骤2：多窗口均值计算 #

根据你的数据是否为严格1小时间隔，选择对应计算方案：

方案A：数据为严格连续1小时间隔（无缺失小时点位） #

基于行号计算，运行效率更高：

df_result <- df_clean %>%
  mutate(
    # 当日24小时均值：包含当前时间点往前共24个小时数据
    timeperiod_24h = slide_dbl(Light, mean, na.rm = TRUE, .before = 23, .complete = FALSE),
    # 5日均值：包含当日往前共5天数据
    timeperiod_5days = slide_dbl(Light, mean, na.rm = TRUE, .before = 119, .complete = FALSE),
    # 1周均值：包含当日往前共7天数据
    timeperiod_1week = slide_dbl(Light, mean, na.rm = TRUE, .before = 167, .complete = FALSE)
  )

方案B：数据存在缺失小时点位（非严格连续） #

基于真实时间差计算，结果更准确，推荐优先使用：

df_result <- df_clean %>%
  mutate(
    # 当日24小时均值：当前时间点往前23小时内的所有数据均值
    timeperiod_24h = slide_index_dbl(
      Light, Date, mean, na.rm = TRUE,
      .before = hours(23), .complete = FALSE
    ),
    # 5日均值：当前时间点往前4天内的所有数据均值
    timeperiod_5days = slide_index_dbl(
      Light, Date, mean, na.rm = TRUE,
      .before = days(4), .complete = FALSE
    ),
    # 1周均值：当前时间点往前6天内的所有数据均值
    timeperiod_1week = slide_index_dbl(
      Light, Date, mean, na.rm = TRUE,
      .before = days(6), .complete = FALSE
    )
  )

参数调整说明 #

• na.rm = TRUE：计算时自动跳过空值，若需空值存在时返回NA可删除该参数
• .complete = TRUE：窗口长度不足时返回NA，比如前23小时的24小时均值会返回空，可按需开启
• 输出的df_result已包含你需要的所有字段，可直接导出使用

内容的提问来源于stack exchange，提问作者user14808606