在R中将1分钟间隔的10分钟滑动平均气象数据转为小时平均

针对你的需求——基于1分钟间隔的10分钟滑动平均数据，计算每小时的平均（取间隔10分钟的6个点），这里有两种简洁的R实现方案：

方案一：用dplyr + lubridate（适合数据清洗和分组处理） #

首先我们需要先筛选出间隔10分钟的时间点（也就是分钟数为0、10、20、30、40、50的行），因为原始数据是每分钟一条的10分钟滑动平均，这些点正好是你需要的10分钟间隔的样本。然后再按小时窗口分组计算平均。

步骤代码： #

# 加载所需包
library(dplyr)
library(lubridate)

# 你的示例数据
timeLine <- structure( list( Date = structure(c(1499270460, 1499270520, 1499270580, 1499270640, 1499270700, 1499270760, 1499270820, 1499270880, 1499270940, 1499271000), class = c("POSIXct", "POSIXt"), tzone = "Asia/Hong_Kong"), Direction = c(93L, 92L, 92L, 91L, 91L, 91L, 91L, 90L, 90L, 91L), Speed = c(7.3, 7.4, 7.3, 7.4, 7.3, 7.3, 7.2, 7.1, 6.9, 6.7)), .Names = c("Date", "Direction", "Speed"), row.names = c(NA, 10L), class = "data.frame")

# 1. 筛选10分钟间隔的点（分钟数为10的倍数）
filtered_data <- timeLine %>%
  filter(minute(Date) %% 10 == 0)

# 2. 计算小时平均：每个整点取自身及前5个10分钟点的平均
hourly_avg <- filtered_data %>%
  # 为每个点标记所属的小时平均窗口（对应整点时间）
  mutate(Hour_Date = ceiling_date(Date - minutes(1), "hour")) %>%
  # 按小时窗口分组
  group_by(Hour_Date) %>%
  # 确保每个组有6个点（数据完整时），计算平均
  summarise(
    Avg_Direction = ifelse(n() == 6, mean(Direction), NA_real_),
    Avg_Speed = ifelse(n() == 6, mean(Speed), NA_real_),
    .groups = "drop"
  )

# 查看结果
hourly_avg

这里ceiling_date(Date - minutes(1), "hour")的作用是：把9:10到10:00的所有点都归到10:00的小时窗口下，正好对应你需要的“计算10:00的平均时取10:00及前5个10分钟点”的逻辑。

方案二：用zoo包的rollapply（适合时间序列滚动计算） #

如果你的数据是规整的时间序列（无缺失的10分钟间隔点），用rollapply会更高效：

步骤代码： #

# 加载zoo包
library(zoo)

# 1. 筛选10分钟间隔的点（同方案一）
filtered_data <- timeLine %>%
  filter(minute(Date) %% 10 == 0)

# 2. 转换为zoo时间序列对象
zoo_ts <- zoo(filtered_data[, c("Direction", "Speed")], order.by = filtered_data$Date)

# 3. 滚动计算每6个点的平均（align="right"对应窗口最后一个点的时间，即整点）
hourly_avg_zoo <- rollapply(
  zoo_ts,
  width = 6,        # 窗口大小：6个10分钟点=1小时
  FUN = mean,       # 计算平均
  align = "right",  # 结果对应窗口的最后一个时间点
  fill = NA         # 数据不足6个点时填充NA
)

# 转换回data.frame格式
hourly_avg_df <- as.data.frame(hourly_avg_zoo) %>%
  mutate(Hour_Date = index(hourly_avg_zoo)) %>%
  select(Hour_Date, Avg_Direction = Direction, Avg_Speed = Speed)

# 查看结果
hourly_avg_df

这个方法的核心是利用rollapply的width=6，直接取当前点和前5个10分钟间隔的点计算平均，完全匹配你的需求。

注意事项 #

• 如果你的原始数据存在缺失值（比如某10分钟点缺失），两种方案都会返回NA，你可以根据需求调整处理逻辑（比如用na.rm=TRUE在mean函数中忽略NA，或者填充缺失值）。
• 示例数据只有10行（到10:10），所以筛选后只有1个点，无法计算完整的小时平均，你可以用完整数据测试上述代码。

内容的提问来源于stack exchange，提问作者T Lee