TIME SERIES VISUALIZATION làm việc với dữ liệu Economies và trực quan tỉ lệ cá nhân psavert của người dân Mỹ, chúng ta cần trực quan dữ liệu theo thời gian để xem sét tỉ lệ thu nhập của người dân Mỹ tăng hay giảm 1965 đến năm 2015 

#Tien xu li du lieu

library(ggplot2)
library(scales)
library(dplyr)
library(quantmod)
#Tap du lieu

data("economics")
head(economics)
## # A tibble: 6 × 6
##   date         pce    pop psavert uempmed unemploy
##   <date>     <dbl>  <dbl>   <dbl>   <dbl>    <dbl>
## 1 1967-07-01  507. 198712    12.6     4.5     2944
## 2 1967-08-01  510. 198911    12.6     4.7     2945
## 3 1967-09-01  516. 199113    11.9     4.6     2958
## 4 1967-10-01  512. 199311    12.9     4.9     3143
## 5 1967-11-01  517. 199498    12.8     4.7     3066
## 6 1967-12-01  525. 199657    11.8     4.8     3018
tail(economics, n=4)
## # A tibble: 4 × 6
##   date          pce     pop psavert uempmed unemploy
##   <date>      <dbl>   <dbl>   <dbl>   <dbl>    <dbl>
## 1 2015-01-01 12046  319929.     7.7    13.2     8903
## 2 2015-02-01 12082. 320075.     7.9    12.9     8610
## 3 2015-03-01 12158. 320231.     7.4    12       8504
## 4 2015-04-01 12194. 320402.     7.6    11.5     8526
ggplot(economics, aes(x = date, y = psavert)) +
geom_line(color = "steelblue", linewidth = 1) +
labs(
title = "Personal Savings Rate in the U.S.",
x = "Year",
y = "Savings Rate (%)"
) +
theme_minimal()

# https://www.r-bloggers.com/2013/08/date-formats-in-r/
ggplot(economics, aes(date, psavert)) +
geom_line(color = "indianred3", linewidth = 1) +
geom_smooth(method = "loess", se = FALSE) +
scale_x_date(
date_breaks = "5 years",
labels = date_format("%Y")
) +
labs(
title = "Personal Savings Rate in the U.S.",
subtitle = "1967–2015",
x = "",
y = "Savings Rate (%)"
) +
theme_minimal()

# ========================
# Apple
# ========================
getSymbols("AAPL", from = "2021-05-05", auto.assign = TRUE)
## [1] "AAPL"
apple <- AAPL %>%
  data.frame() %>%
  mutate(Date = as.Date(row.names(.))) %>%
  select(Date, AAPL.Close) %>%
  rename(Close = AAPL.Close) %>%
  mutate(Company = "Apple")

# ========================
# Facebook -> META
# ========================
getSymbols("META", from = "2021-05-05", auto.assign = TRUE)
## [1] "META"
facebook <- META %>%
  data.frame() %>%
  mutate(Date = as.Date(row.names(.))) %>%
  select(Date, META.Close) %>%
  rename(Close = META.Close) %>%
  mutate(Company = "Meta")

# ========================
# Tesla
# ========================
getSymbols("TSLA", from = "2021-05-05", auto.assign = TRUE)
## [1] "TSLA"
tesla <- TSLA %>%
  data.frame() %>%
  mutate(Date = as.Date(row.names(.))) %>%
  select(Date, TSLA.Close) %>%
  rename(Close = TSLA.Close) %>%
  mutate(Company = "Tesla")

# ========================
# Combine
# ========================
data_series <- rbind(apple, facebook, tesla)

ggplot(data_series,
       aes(x = Date, y = Close, color = Company)) +
  geom_line(linewidth = 1) +
  scale_x_date(
    date_breaks = "3 months",
    labels = date_format("%b-%Y")
  ) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  scale_y_continuous(labels = dollar) +
  labs(
    title = "NASDAQ Closing Prices",
    subtitle = "From May 2021 to Present",
    caption = "Source: Yahoo Finance",
    x = "",
    y = "Closing Price"
  ) +
  scale_color_brewer(palette = "Set1")