Finding first max, min and second max along the time series data
Question
I am new to timeseries data analysis using R. I would like to find the two maximum and one minimum values along the time series data. The lines look like waves as follow:
I would like to find the first max on the line just before the depression (let's say, around 764 on x-axis), the second max on the line after the depression, and minimum value in between these two maximum values. Here is the sample dataset.
X-axis 10:00-10:30 10:30-11:00 11:00-11:30 11:30-12:00 12:00-12:30 12:30-13:00
700.31 0.04 0.05 0.04 0.04 0.05 0.04
700.73 0.04 0.05 0.04 0.04 0.05 0.04
701.14 0.04 0.05 0.04 0.05 0.05 0.04
701.55 0.04 0.05 0.04 0.05 0.05 0.04
701.96 0.04 0.06 0.04 0.05 0.06 0.04
702.37 0.04 0.06 0.04 0.05 0.06 0.04
702.78 0.04 0.06 0.04 0.05 0.06 0.04
703.20 0.04 0.06 0.04 0.05 0.06 0.04
703.61 0.04 0.06 0.04 0.05 0.06 0.05
704.02 0.04 0.06 0.04 0.05 0.06 0.05
704.43 0.05 0.06 0.04 0.05 0.06 0.05
704.84 0.05 0.07 0.05 0.06 0.06 0.05
705.25 0.05 0.07 0.05 0.06 0.07 0.05
705.66 0.05 0.07 0.05 0.06 0.07 0.05
706.07 0.05 0.07 0.05 0.06 0.07 0.05
706.49 0.05 0.07 0.05 0.06 0.07 0.05
706.90 0.05 0.07 0.05 0.06 0.07 0.06
707.31 0.05 0.08 0.05 0.06 0.07 0.06
707.72 0.06 0.08 0.05 0.06 0.08 0.06
708.13 0.06 0.08 0.05 0.07 0.08 0.06
708.54 0.06 0.08 0.06 0.07 0.08 0.06
708.95 0.06 0.08 0.06 0.07 0.08 0.06
709.36 0.06 0.08 0.06 0.07 0.08 0.06
709.77 0.06 0.08 0.06 0.07 0.08 0.06
710.18 0.06 0.09 0.06 0.07 0.08 0.06
710.60 0.06 0.09 0.06 0.07 0.09 0.07
711.01 0.06 0.09 0.06 0.08 0.09 0.07
711.42 0.07 0.09 0.06 0.08 0.09 0.07
711.83 0.07 0.09 0.06 0.08 0.09 0.07
712.24 0.07 0.09 0.07 0.08 0.09 0.07
712.65 0.07 0.09 0.07 0.08 0.09 0.07
713.06 0.07 0.10 0.07 0.08 0.10 0.07
713.47 0.07 0.10 0.07 0.08 0.10 0.07
713.88 0.07 0.10 0.07 0.08 0.10 0.07
714.29 0.07 0.10 0.07 0.09 0.10 0.08
714.70 0.07 0.10 0.07 0.09 0.10 0.08
715.11 0.07 0.11 0.07 0.09 0.10 0.08
715.53 0.08 0.11 0.07 0.09 0.10 0.08
715.94 0.08 0.11 0.08 0.09 0.11 0.08
716.35 0.08 0.11 0.08 0.09 0.11 0.08
716.76 0.08 0.11 0.08 0.09 0.11 0.08
717.17 0.08 0.11 0.08 0.09 0.11 0.08
717.58 0.08 0.11 0.08 0.10 0.11 0.08
717.99 0.08 0.12 0.08 0.10 0.11 0.08
718.40 0.08 0.12 0.08 0.10 0.11 0.08
718.81 0.08 0.12 0.08 0.10 0.12 0.09
719.22 0.08 0.12 0.08 0.10 0.12 0.09
719.63 0.09 0.12 0.08 0.10 0.12 0.09
720.04 0.09 0.12 0.09 0.10 0.12 0.09
720.45 0.09 0.12 0.09 0.10 0.12 0.09
720.86 0.09 0.13 0.09 0.11 0.12 0.09
721.27 0.09 0.13 0.09 0.11 0.13 0.09
721.68 0.09 0.13 0.09 0.11 0.13 0.09
722.09 0.09 0.13 0.09 0.11 0.13 0.09
722.50 0.09 0.13 0.09 0.11 0.13 0.10
722.91 0.09 0.14 0.09 0.11 0.13 0.10
723.32 0.09 0.14 0.09 0.11 0.13 0.10
723.73 0.10 0.14 0.09 0.12 0.13 0.10
724.14 0.10 0.14 0.10 0.12 0.14 0.10
724.55 0.10 0.14 0.10 0.12 0.14 0.10
724.96 0.10 0.14 0.10 0.12 0.14 0.10
725.37 0.10 0.14 0.10 0.12 0.14 0.10
725.78 0.10 0.15 0.10 0.12 0.14 0.11
726.19 0.10 0.15 0.10 0.12 0.15 0.11
726.60 0.10 0.15 0.10 0.13 0.15 0.11
727.01 0.11 0.15 0.10 0.13 0.15 0.11
727.42 0.11 0.15 0.11 0.13 0.15 0.11
727.83 0.11 0.15 0.11 0.13 0.15 0.11
728.24 0.11 0.15 0.11 0.13 0.15 0.11
728.65 0.11 0.16 0.11 0.13 0.15 0.12
729.06 0.11 0.16 0.11 0.13 0.15 0.12
729.47 0.11 0.16 0.11 0.13 0.16 0.12
729.88 0.11 0.16 0.11 0.13 0.16 0.12
730.29 0.11 0.16 0.11 0.14 0.16 0.12
730.70 0.11 0.16 0.11 0.14 0.16 0.12
731.11 0.12 0.16 0.11 0.14 0.16 0.12
731.52 0.12 0.17 0.12 0.14 0.16 0.12
731.93 0.12 0.17 0.12 0.14 0.16 0.13
732.34 0.12 0.17 0.12 0.14 0.17 0.13
732.75 0.12 0.17 0.12 0.14 0.17 0.13
733.16 0.12 0.17 0.12 0.14 0.17 0.13
733.57 0.12 0.17 0.12 0.14 0.17 0.13
733.98 0.12 0.17 0.12 0.15 0.17 0.13
734.39 0.12 0.18 0.12 0.15 0.17 0.13
734.80 0.12 0.18 0.12 0.15 0.17 0.14
735.20 0.12 0.18 0.12 0.15 0.17 0.14
735.61 0.13 0.18 0.12 0.15 0.17 0.14
736.02 0.13 0.18 0.12 0.15 0.18 0.14
736.43 0.13 0.18 0.13 0.15 0.18 0.14
736.84 0.13 0.18 0.13 0.15 0.18 0.14
737.25 0.13 0.18 0.13 0.15 0.18 0.14
737.66 0.13 0.18 0.13 0.15 0.18 0.14
738.07 0.13 0.18 0.13 0.15 0.18 0.14
738.48 0.13 0.18 0.13 0.16 0.18 0.14
738.89 0.13 0.19 0.13 0.16 0.18 0.14
739.30 0.13 0.19 0.13 0.16 0.18 0.14
739.71 0.13 0.19 0.13 0.16 0.18 0.14
740.11 0.13 0.19 0.13 0.16 0.18 0.14
740.52 0.13 0.19 0.13 0.16 0.18 0.14
740.93 0.13 0.19 0.13 0.16 0.19 0.14
741.34 0.13 0.19 0.13 0.16 0.19 0.14
741.75 0.13 0.19 0.13 0.16 0.19 0.15
742.16 0.14 0.19 0.13 0.16 0.19 0.15
742.57 0.14 0.19 0.13 0.16 0.19 0.15
742.98 0.14 0.19 0.14 0.16 0.19 0.15
743.39 0.14 0.19 0.14 0.16 0.19 0.15
743.79 0.14 0.19 0.14 0.16 0.19 0.15
744.20 0.14 0.19 0.14 0.16 0.19 0.15
744.61 0.14 0.20 0.14 0.16 0.19 0.15
745.02 0.14 0.20 0.14 0.16 0.19 0.15
745.43 0.14 0.20 0.14 0.16 0.19 0.15
745.84 0.14 0.20 0.14 0.17 0.19 0.15
746.25 0.14 0.20 0.14 0.17 0.19 0.15
746.66 0.14 0.20 0.14 0.17 0.19 0.15
747.06 0.14 0.20 0.14 0.17 0.19 0.15
747.47 0.14 0.20 0.14 0.17 0.19 0.15
747.88 0.14 0.20 0.14 0.17 0.19 0.15
748.29 0.14 0.20 0.14 0.17 0.20 0.15
748.70 0.14 0.20 0.14 0.17 0.20 0.15
749.11 0.14 0.20 0.14 0.17 0.20 0.15
749.52 0.14 0.20 0.14 0.17 0.20 0.15
749.92 0.14 0.20 0.14 0.17 0.20 0.15
750.33 0.14 0.20 0.14 0.17 0.20 0.16
750.74 0.14 0.20 0.14 0.17 0.20 0.16
751.15 0.14 0.20 0.14 0.17 0.20 0.16
751.56 0.14 0.20 0.14 0.17 0.20 0.16
751.96 0.14 0.20 0.14 0.17 0.20 0.16
752.37 0.14 0.20 0.14 0.17 0.20 0.16
752.78 0.14 0.20 0.14 0.17 0.20 0.15
753.19 0.14 0.20 0.14 0.17 0.20 0.15
753.60 0.14 0.20 0.14 0.17 0.20 0.15
754.01 0.14 0.21 0.14 0.17 0.20 0.16
754.41 0.14 0.21 0.14 0.17 0.20 0.16
754.82 0.14 0.21 0.14 0.17 0.20 0.16
755.23 0.14 0.21 0.14 0.17 0.20 0.16
755.64 0.15 0.21 0.14 0.17 0.20 0.16
756.05 0.15 0.21 0.14 0.17 0.20 0.16
756.45 0.15 0.21 0.14 0.17 0.20 0.16
756.86 0.15 0.21 0.14 0.17 0.20 0.16
757.27 0.15 0.21 0.15 0.17 0.20 0.16
757.68 0.15 0.21 0.14 0.17 0.20 0.16
758.09 0.15 0.21 0.14 0.17 0.20 0.16
758.49 0.15 0.21 0.14 0.17 0.20 0.16
758.90 0.15 0.21 0.14 0.17 0.20 0.16
759.31 0.15 0.21 0.15 0.17 0.20 0.16
759.72 0.14 0.21 0.15 0.17 0.20 0.16
760.12 0.14 0.21 0.14 0.17 0.20 0.16
760.53 0.14 0.20 0.14 0.17 0.20 0.15
760.94 0.14 0.20 0.14 0.17 0.20 0.16
761.35 0.14 0.20 0.14 0.17 0.20 0.16
761.75 0.14 0.19 0.14 0.17 0.20 0.16
762.16 0.14 0.19 0.14 0.17 0.20 0.16
762.57 0.14 0.19 0.14 0.17 0.20 0.16
762.98 0.14 0.19 0.14 0.17 0.20 0.16
763.38 0.14 0.19 0.14 0.17 0.20 0.16
763.79 0.14 0.19 0.14 0.17 0.20 0.15
764.20 0.14 0.20 0.14 0.17 0.20 0.15
764.61 0.14 0.20 0.14 0.17 0.20 0.15
765.01 0.14 0.20 0.14 0.17 0.20 0.16
765.42 0.14 0.20 0.14 0.17 0.20 0.16
765.83 0.14 0.20 0.14 0.17 0.20 0.15
766.24 0.14 0.20 0.14 0.17 0.20 0.15
766.64 0.14 0.21 0.15 0.18 0.21 0.16
767.05 0.15 0.21 0.15 0.18 0.21 0.16
767.46 0.15 0.21 0.15 0.18 0.21 0.16
767.86 0.15 0.21 0.15 0.18 0.21 0.16
768.27 0.15 0.21 0.15 0.18 0.21 0.16
768.68 0.15 0.21 0.15 0.18 0.21 0.16
769.09 0.15 0.21 0.15 0.18 0.21 0.16
769.49 0.15 0.21 0.15 0.18 0.21 0.16
769.90 0.15 0.21 0.15 0.18 0.21 0.16
770.31 0.15 0.21 0.15 0.18 0.21 0.16
770.71 0.15 0.21 0.15 0.18 0.21 0.17
771.12 0.15 0.21 0.15 0.18 0.21 0.17
771.53 0.15 0.21 0.15 0.18 0.21 0.16
771.93 0.15 0.21 0.15 0.18 0.21 0.16
772.34 0.15 0.21 0.15 0.18 0.21 0.16
772.75 0.15 0.21 0.15 0.18 0.21 0.16
773.15 0.15 0.21 0.15 0.18 0.21 0.16
773.56 0.15 0.21 0.15 0.18 0.21 0.16
773.97 0.15 0.21 0.15 0.18 0.21 0.16
774.37 0.15 0.21 0.15 0.18 0.21 0.16
774.78 0.15 0.21 0.15 0.18 0.21 0.16
775.19 0.15 0.21 0.15 0.18 0.21 0.16
775.59 0.15 0.21 0.15 0.18 0.21 0.16
776.00 0.15 0.21 0.15 0.18 0.21 0.16
776.41 0.15 0.21 0.15 0.18 0.21 0.16
776.81 0.15 0.21 0.15 0.18 0.21 0.16
777.22 0.15 0.22 0.15 0.18 0.21 0.16
777.63 0.15 0.22 0.15 0.18 0.21 0.16
778.03 0.15 0.22 0.15 0.18 0.21 0.16
778.44 0.15 0.22 0.15 0.18 0.21 0.16
778.85 0.15 0.21 0.15 0.18 0.21 0.16
779.25 0.15 0.21 0.15 0.18 0.21 0.16
779.66 0.15 0.21 0.15 0.18 0.21 0.16
780.06 0.15 0.21 0.15 0.18 0.21 0.16
780.47 0.15 0.21 0.15 0.18 0.21 0.16
780.88 0.15 0.21 0.15 0.18 0.21 0.16
781.28 0.15 0.21 0.15 0.18 0.21 0.16
781.69 0.15 0.21 0.15 0.18 0.21 0.16
782.09 0.15 0.22 0.15 0.18 0.21 0.16
782.50 0.15 0.22 0.15 0.18 0.21 0.16
782.91 0.15 0.22 0.15 0.18 0.21 0.16
783.31 0.15 0.21 0.15 0.18 0.21 0.16
783.72 0.15 0.22 0.15 0.18 0.21 0.16
784.12 0.15 0.21 0.15 0.18 0.21 0.16
784.53 0.15 0.22 0.15 0.18 0.21 0.16
784.94 0.15 0.22 0.15 0.18 0.21 0.16
785.34 0.15 0.22 0.15 0.18 0.21 0.16
785.75 0.15 0.22 0.15 0.18 0.21 0.16
786.15 0.15 0.22 0.15 0.18 0.21 0.17
786.56 0.15 0.22 0.15 0.18 0.21 0.17
786.97 0.15 0.22 0.15 0.18 0.21 0.16
787.37 0.15 0.22 0.15 0.18 0.21 0.16
787.78 0.15 0.22 0.15 0.18 0.21 0.17
788.18 0.15 0.22 0.15 0.18 0.21 0.17
788.59 0.15 0.22 0.15 0.18 0.21 0.17
788.99 0.15 0.22 0.15 0.18 0.21 0.17
789.40 0.15 0.22 0.15 0.18 0.21 0.17
789.80 0.15 0.22 0.15 0.18 0.21 0.17
790.21 0.15 0.22 0.15 0.18 0.21 0.17
790.62 0.15 0.22 0.15 0.18 0.21 0.16
791.02 0.15 0.22 0.15 0.18 0.21 0.17
791.43 0.15 0.22 0.15 0.18 0.21 0.17
791.83 0.15 0.22 0.15 0.18 0.21 0.17
792.24 0.15 0.22 0.15 0.18 0.21 0.17
792.64 0.15 0.22 0.15 0.18 0.21 0.17
793.05 0.15 0.22 0.15 0.18 0.21 0.17
793.45 0.15 0.22 0.15 0.18 0.21 0.17
793.86 0.15 0.22 0.15 0.18 0.21 0.17
794.26 0.15 0.22 0.15 0.18 0.21 0.17
794.67 0.15 0.22 0.15 0.18 0.21 0.17
795.07 0.15 0.22 0.15 0.18 0.21 0.17
795.48 0.15 0.22 0.15 0.18 0.21 0.17
795.88 0.15 0.22 0.15 0.18 0.21 0.16
796.29 0.15 0.22 0.15 0.18 0.21 0.16
796.69 0.15 0.22 0.15 0.18 0.21 0.17
797.10 0.15 0.22 0.15 0.18 0.21 0.17
797.50 0.15 0.22 0.15 0.18 0.21 0.17
797.91 0.15 0.22 0.15 0.18 0.21 0.17
798.31 0.15 0.22 0.15 0.18 0.21 0.17
798.72 0.15 0.22 0.15 0.18 0.21 0.17
799.12 0.15 0.22 0.15 0.18 0.21 0.17
799.53 0.15 0.22 0.15 0.18 0.21 0.16
799.93 0.15 0.22 0.15 0.18 0.21 0.17
1 answers
solution1
0 2021-10-19 07:20:10
I'm not sure this function works for your data, and also, I think the data you provide has not enough time points, so I made dummy data to this example.
Please let me know if I misunderstand your purpose.
By using findPeaks and findValleys from library(quantmod) ,
dummy <- data.frame(
x = seq(from = -pi/4, to = 9/4*pi, length.out = 1000)
) %>% as_tibble %>%
mutate(y = cos(x))
plot(dummy$x, dummy$y, type="l")
points(dummy$x[findPeaks(dummy$y)], dummy$y[findPeaks(dummy$y)], col = "red", cex = 2, pch = 19)
points(dummy$x[findValleys(dummy$y)], dummy$y[findValleys(dummy$y)], col = "blue", cex = 2, pch = 19)
I think this graph is similar with your situation. Red dot will first and second max and blue dot will minimum. In your case, you might need to apply these function to some restricted intervals. Take a look at findPeaks function documentation for information about functions.
findPeaks(dummy$y)
[1] 102 901
findValleys(dummy$y)
[1] 501 502
The technical post webpages of this site follow the CC BY-SA 4.0 protocol. If you need to reprint, please indicate the site URL or the original address.Any question please contact:yoyou2525@163.com.
Related Question
Finding Max Value a Time Series data in R Programming
Calcing Rolling Min/Max Values on a time series
Subsetting data, finding MAX, MIN, Mean and plotting it
Min, Max, Average of n distinct top/low values and plotting them with time series data on the same graph in R
R find max(or min) of dynamic window of time series
R data.table finding min and max within groups
Finding min and max values in different variables of data subsets
time between max and min of cycles
Finding the min or max of POSIXct date with NA values
R code to get max count of time series data by group
Related Tags