lab01-live.qmd

---
title: "Lab01"
format:
  html:
    toc: true
    code-fold: show
    embed-resources: true
engine: jupyter
---

Vamos agora brincar de séries temporais.

Um problema que precisamos enfrentar com séries temporais é que como os dados têm uma ordem, precisamos de alguma forma ter essa ordem escrita na base.

Além disso, a ordem é pelo tempo, que é algo que tras informação por si só. Por exemplo, se estamos com uma série temporal de vendas, é natural pensar que certas épocas do ano vendam mais que outras, e que isso se repita ano a ano.

Por isso, uma base de dados de série temporal precisa saber lidar com essa natureza de dados.

# Bases de dados

Existem diversos pacotes utilizados para armazenar séries temporais no R. Veremos 3:

-   `{base}`: dá para fazer muita coisa só com o base/stats, então você verá bastante código desse tipo por aí.

-   `{xts}` / `{zoo}`: serve para organizar uma base de dados no formato de série temporal.

-   `{tsibble}`: é a versão *tidy*, mais recente (2017).

## Base R

Historicamente, isso era feito pela função `ts()`, que funciona assim:


```{r}

set.seed(1)

dados <- data.frame(
  mes = 1:48,
  vendas = arima.sim(list(order = c(1, 1, 0), ar = 0.7), n = 48)[-1]
)

plot(dados)

```

```{r}

dados_ts <- ts(dados)

plot(dados_ts)
```

```{python}

import pandas as pd
from datetime import timedelta
import matplotlib.pyplot as plt
import seaborn as sns

dados = pd.read_csv(
  "https://github.com/padsInsper/202307-fa/raw/main/dados_lab01.csv"
)

#dados.plot()
dados.info()
sns.lineplot(data = dados, x='mes', y='vendas')

```

## xts/zoo


## tsibble

Se tivéssemos um formato de datas na nossa base, seria assim:

# Descritivas

## Decomposição

## ACF e PACF

usando base R e forecast

agora em tsibble

Decomposição