众所周知，监测数据的时变性是许多人关注的重点。在做数据统计之前我们需要先掌握一些时间数据的处理方法。这里推荐学习lubridate包里头的函数，掌握其中几个函数就能帮我们节省非常多的时间。
还是上一篇那个监测数据，为了之后能统计不同时间尺度的浓度均值，需要先构建对应的时间数据字段。
查看数据：
看起来sample_dt这一列是我们的时间数据了，查看下这一列的属性：
当前这一列的属性是字符串，因此需要重新定义这一列，让他变成带有时间属性的对象。我们直接比较一下用base包跟lubridate包的ymd_hms()函数：
可以看到ymd_hms能帮我们省去一些参数设置的麻烦。
其实lubridate的函数真正牛啤的是能处理各种奇怪的时间字符串，例如：
仿佛在告诉你识别不了算我输...就问一句变不变态。上面这些字符串想用base包的函数转成时间格式的话肯定是报错的。
sample_dt转换成时间数据之后就可以很简单的定义不同时间尺度的字段了：
上面这个是data.table里新增列的写法，我们直接新增了5个时间特征的列，来看看这些列字段长什么样：
Week这一列表示Date是所在年份里的第n周，以上图为例，2019-07-08就是2019年的第27周。
最后我们使用difftime来查看一下每一行的时间间隔，这代表了这个监测数据的记录周期：
difftime()实际上就是计算两个时间对象的时间差，上面我们给的分别是raw中1到n-1行的时间及2到n行的时间，得到时间差的向量，再直接传入quantile中计算数据。从输出结果可知这个监测数据的记录周期大概是20秒，时间精度还挺高的。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
