Datastream'den veri regresyonu için yeniden şekil verme

Question

Datastream'den veriyi sayfa başına bir değişken olarak indirdim. Current data view - One variable: Price

Nasıl göründüğünü, böylece ben Stata PLM() veya ihracat verilerini kullanabilir, böylece (ben tür yeni R değilim) paneli biçime her sayfayı (her değişken) dönüştürmek yapmak istiyorum ne gibi Click to view - What I expect to have

bir muamma ben> 500 şirketleri var ve sadece temel kod eskiz ve olamazdı eğer gerçekten takdir ediyorum

elle R kodunda adları (veya kodları) yazma çok külfetli olmasıdır yeniden şekillendirme fonksiyonuna bakınız. R

Not; Zaten yanıtlanmışsa bu soruyu yayınladığım için üzgünüm.

Answer 1

Geçerli veri seti geniş biçiminde olduğunu ve

melt işlev için birincil anahtar tarihtir aynı olduğundan çok iyi yapacak yenidenbiçimleme paketinden uzun formatı ve melt işlevinde ihtiyaç

#Save Price, volume, market value, shares, etc into individual CSV files 
#Rename first column as "date" and Remove rows 2 and 3 since you do not need them 


#Demo for price data 
price_data = read.csv("path_to_price_csv_file",header=TRUE,stringsAsFactors=FALSE,na.strings="NA") 

test_DF = price_data 

require(reshape2) 
require(PerformanceAnalytics) 

data(managers) 
test_DF = data.frame(date=as.Date(index(managers),format="%Y-%m-%d"),managers,row.names=NULL,stringsAsFactors=FALSE) 


#This data is similar in format as your price data 

head(test_DF) 
# date HAM1 HAM2 HAM3 HAM4 HAM5 HAM6 EDHEC.LS.EQ SP500.TR US.10Y.TR US.3m.TR 
# 1 1996-01-31 0.0074 NA 0.0349 0.0222 NA NA   NA 0.0340 0.00380 0.00456 
# 2 1996-02-29 0.0193 NA 0.0351 0.0195 NA NA   NA 0.0093 -0.03532 0.00398 
# 3 1996-03-31 0.0155 NA 0.0258 -0.0098 NA NA   NA 0.0096 -0.01057 0.00371 
# 4 1996-04-30 -0.0091 NA 0.0449 0.0236 NA NA   NA 0.0147 -0.01739 0.00428 
# 5 1996-05-31 0.0076 NA 0.0353 0.0028 NA NA   NA 0.0258 -0.00543 0.00443 
# 6 1996-06-30 -0.0039 NA -0.0303 -0.0019 NA NA   NA 0.0038 0.01507 0.00412 

#test_data = test_DF     #replace price, volume , shares dataset here 
#dateColumnName = "date"    #name of your date column 
#columnOfInterest1 = "manager"  #for you this will be "Name" 
#columnOfInterest2 = "return"  #this will vary according to your input data, price, volume, shares etc. 


Custom_Melt_DataFrame = function(test_data = test_DF ,dateColumnName = "date", columnOfInterest1 = "manager",columnOfInterest2 = "return") { 

    molten_DF = melt(test_data,dateColumnName,stringsAsFactors=FALSE) 
    colnames(molten_DF) = c(dateColumnName,columnOfInterest1,columnOfInterest2) 

    #format as character 
    molten_DF[,columnOfInterest1] = as.character(molten_DF[,columnOfInterest1]) 

    #assign index 
    molten_DF$index = rep(1:(ncol(test_data)-1),each=nrow(test_data)) 

    #reorder columns 
    molten_DF = molten_DF[,c("index",columnOfInterest1,dateColumnName,columnOfInterest2)] 

    return(molten_DF) 

} 

custom_data = Custom_Melt_DataFrame (test_data = test_DF ,dateColumnName = "date", columnOfInterest1 = "manager",columnOfInterest2 = "return") 


head(custom_data,10) 

# index manager  date return 
# 1  1 HAM1 1996-01-31 0.0074 
# 2  1 HAM1 1996-02-29 0.0193 
# 3  1 HAM1 1996-03-31 0.0155 
# 4  1 HAM1 1996-04-30 -0.0091 
# 5  1 HAM1 1996-05-31 0.0076 
# 6  1 HAM1 1996-06-30 -0.0039 
# 7  1 HAM1 1996-07-31 -0.0231 
# 8  1 HAM1 1996-08-31 0.0395 
# 9  1 HAM1 1996-09-30 0.0147 
# 10  1 HAM1 1996-10-31 0.0288 


tail(custom_data,10) 
#  index manager  date return 
# 1311 10 US.3m.TR 2006-03-31 0.00385 
# 1312 10 US.3m.TR 2006-04-30 0.00366 
# 1313 10 US.3m.TR 2006-05-31 0.00404 
# 1314 10 US.3m.TR 2006-06-30 0.00384 
# 1315 10 US.3m.TR 2006-07-31 0.00423 
# 1316 10 US.3m.TR 2006-08-31 0.00441 
# 1317 10 US.3m.TR 2006-09-30 0.00456 
# 1318 10 US.3m.TR 2006-10-31 0.00381 
# 1319 10 US.3m.TR 2006-11-30 0.00430 
# 1320 10 US.3m.TR 2006-12-31 0.00441