Поле цифровой дидактики - Вклад [ru]

Изучение изменения стоимости валют по данным ЦБ

2026-04-14T08:24:11Z

Vladislav Leontev:

== Описание проекта ==

'''Анализ валютного рынка ЦБ РФ на основе R. Построение дашборда: дневные изменения, 30-дневная динамика и волатильность валют.'''

== Назначение ==
Проект позволяет оценить характер изменения стоимости валют по данным ЦБ.

__NOTOC__

== Общая концепция ==
<uml>
@startuml
title Уровни анализа валютного дашборда

rectangle "Источник данных (CBR API)" as data
rectangle "Сбор данных (httr + JSON)" as collect
rectangle "Обработка (R data.frame)" as process
rectangle "Метрики (изменения, волатильность)" as metrics
rectangle "Визуализация (ggplot2 + patchwork)" as viz
rectangle "Интерпретация (аналитика)" as interp

data --> collect
collect --> process
process --> metrics
metrics --> viz
viz --> interp

@enduml
</uml>

= Валютный дашборд ЦБ РФ (R + анализ) =

== Цель исследования ==
Проект направлен на анализ валютного рынка:
* дневные изменения валют
* динамика за 30 дней
* волатильность валют
* сравнение мировых и остальных валют

== Источник данных ==
Данные берутся из API ЦБ РФ:

<code>https://www.cbr-xml-daily.ru/daily_json.js</code>

Исторические данные:

<code>https://www.cbr-xml-daily.ru/archive/YYYY/MM/DD/daily_json.js</code>

== Архитектура обработки данных ==

<uml>
@startuml
title Поток обработки данных

rectangle "CBR API" as api
rectangle "HTTP GET" as http
rectangle "JSON parsing" as json
rectangle "data.frame" as df
rectangle "Feature engineering" as feat
rectangle "Visualization" as plot

api --> http
http --> json
json --> df
df --> feat
feat --> plot

@enduml
</uml>

== 📊 Структура данных ==

<uml>
@startuml
title Структура валютных данных

rectangle "Date" as date
rectangle "Currency Code" as code
rectangle "Value" as value
rectangle "Previous Value" as prev
rectangle "Change %" as change

date --> value
code --> value
prev --> change
value --> change

@enduml
</uml>

== Загрузка и подготовка данных ==

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(patchwork)

options(encoding = "UTF-8")

url <- "https://www.cbr-xml-daily.ru/daily_json.js"
data <- fromJSON(content(GET(url), "text"))

valutes <- data$Valute

df <- data.frame(
CharCode = sapply(valutes, function(x) x$CharCode),
Value = as.numeric(sapply(valutes, function(x) x$Value)),
Previous = as.numeric(sapply(valutes, function(x) x$Previous))
)

df <- df[complete.cases(df), ]
df$change_pct <- (df$Value - df$Previous) / df$Previous * 100
df <- df[is.finite(df$change_pct), ]
</syntaxhighlight>

== Сегментация валют ==

Мировые валюты:

<syntaxhighlight lang="r">
popular <- c("USD","EUR","GBP","JPY","CNY",
"CHF","CAD","AUD","NZD","SEK")
</syntaxhighlight>

== Логика анализа ==

<uml>
@startuml
title Логика обработки валют

rectangle "Все валюты" as all
rectangle "Мировые валюты" as world
rectangle "Рост" as up
rectangle "Падение" as down

all --> world
all --> up
all --> down

@enduml
</uml>

== Дневной анализ ==

<syntaxhighlight lang="r">
title Группы валют

rectangle "Мировые" as world
rectangle "Рост" as up
rectangle "Падение" as down

world --> "Сравнительный анализ"
up --> "Топ роста"
down --> "Топ падения"
</syntaxhighlight>

== 30-дневная динамика ==

Алгоритм:
# загрузка архивных данных ЦБ
# формирование временного ряда
# расчёт накопленного изменения

<syntaxhighlight lang="r">
change_30d_pct = (Value / first(Value) - 1) * 100
</syntaxhighlight>

== Волатильность ==

Формула:

<math>
Volatility = sd(\log(Value)) \times 100
</math>

== Визуализация системы ==

<uml>
@startuml
title Схема дашборда

rectangle "Дневной график" as main
rectangle "30-дневная динамика" as growth
rectangle "Волатильность" as vol
rectangle "Итоговый дашборд" as dashboard

main --> dashboard
growth --> dashboard
vol --> dashboard

@enduml
</uml>

=== Основной график ===
* дневные изменения валют
* цветовая группировка: рост / падение / мировые

=== Волатильность ===
* TOP-10 наиболее нестабильных валют

== Итоговый дашборд ==

<syntaxhighlight lang="r">
final_plot <- (plot_main | plot_vol) /
(plot_growth | plot_month)

ggsave("currency_dashboard_full.png",
final_plot,
width = 14,
height = 10)
</syntaxhighlight>

== Вывод ==
Проект демонстрирует:
* работу с внешними API
* обработку временных рядов
* построение аналитических дашбордов в R
* визуальную аналитику финансовых данных

== Код на R ==
<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(patchwork)

options(encoding = "UTF-8")

url <- "https://www.cbr-xml-daily.ru/daily_json.js"
data <- fromJSON(content(GET(url), "text"))

valutes <- data$Valute # Извлекаем список валют из полученного объекта

df <- data.frame( # Создаём таблицу
CharCode = sapply(valutes, function(x) x$CharCode), # Код валюты (USD, EUR и т.д.)
Value = as.numeric(sapply(valutes, function(x) x$Value)), # Текущий курс валюты
Previous = as.numeric(sapply(valutes, function(x) x$Previous)) # Предыдущий курс валюты
)

df <- df[complete.cases(df), ] # Удаляем строки с пропущенными значениями

df$change_pct <- (df$Value - df$Previous) / df$Previous * 100 # Считаем процентное изменение курса валют
df <- df[is.finite(df$change_pct), ] # Удаляем бесконечные значения

popular <- c("USD","EUR","GBP","JPY","CNY", # Список основных валют для отдельного анализа
"CHF","CAD","AUD","NZD","SEK")

df_world <- df[df$CharCode %in% popular, ] # Фильтруем только мировые валюты
df_world$group <- "Мировые" # Добавляем метку группы

df_top <- df[!df$CharCode %in% popular, ] # Оставляем все валюты не из списка

df_up <- df_top[df_top$change_pct > 0, ] # Фильтруем валюты, которые выросли
df_up <- df_up[order(df_up$change_pct, decreasing = TRUE), ] # Сортируем по убыванию роста
df_up <- head(df_up, 10) # Берём топ-10 валют роста
df_up$group <- "Рост"

df_down <- df_top[df_top$change_pct < 0, ] # Фильтруем валюты, которые упали
df_down <- df_down[order(df_down$change_pct), ] # Сортируем по сильнейшему падению
df_down <- head(df_down, 10) # Берём топ-10 падений
df_down$group <- "Падение"

df_final <- rbind(df_world, df_up, df_down) # Объединяем мировые + рост + падение в одну таблицу

# График за день
plot_main <- ggplot(df_final, aes(
x = reorder(CharCode, change_pct), # Сортируем валюты по изменению
y = change_pct, # Значение по оси Y (% изменения)
fill = group # Цвет по группе
)) +

geom_col() + # Столбчатый график

geom_text( # Подписи значений на столбцах
aes(label = paste0(round(change_pct, 2), "%")),
vjust = -0.5,
size = 3
) +

scale_fill_manual(values = c( # Цвета для групп
"Мировые" = "gray60",
"Рост" = "green3",
"Падение" = "red3"
)) +

theme_minimal() +

labs( # Подписи графика
title = "Валютный рынок ЦБ РФ",
x = "Валюта",
y = "Изменение (%)",
fill = "Группа"
) +

expand_limits(y = max(df_final$change_pct) * 1.2) # Запас по оси Y, чтобы подписи не обрезались

currencies <- c("USD", "EUR", "CNY", "JPY", "GBP") # Список валют для анализа месяца
dates <- seq(Sys.Date() - 30, Sys.Date(), by = "day") # Создаём список дат за последние 30 дней

get_day_data <- function(date) { # Функция загрузки данных за конкретный день
url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text")) # Загружаем данные дня

data.frame( # Создаём таблицу по выбранным валютам
date = as.Date(date),
CharCode = currencies,
Value = sapply(currencies, function(x) data$Valute[[x]]$Value) # Берём значение каждой валюты
)
}, error = function(e) NULL) # Если ошибка
}

list_data <- lapply(dates, get_day_data) # Получаем данные за все дни
list_data <- Filter(Negate(is.null), list_data) # Удаляем пустые результаты

df_month <- do.call(rbind, list_data) # объединяем в один график
df_month <- df_month[complete.cases(df_month), ] # удаляем ненайденное

df_month <- df_month %>%
group_by(CharCode) %>%
arrange(date) %>%
mutate(
change_30d_pct = (Value / first(Value) - 1) * 100
) %>%
ungroup()

plot_growth <- ggplot(df_month, aes(
x = date,
y = change_30d_pct,
color = CharCode
)) +
geom_line(linewidth = 1) +
theme_minimal() +
labs(
title = "Накопленное изменение валют за 30 дней (%)",
x = "Дата",
y = "% изменения",
color = "Валюта"
)

get_all_currencies <- function(date) {

url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text"))
val <- data$Valute

data.frame(
date = as.Date(date),
CharCode = names(val),
Value = sapply(val, function(x) x$Value)
)
}, error = function(e) NULL)
}

list_all <- lapply(dates, get_all_currencies)
list_all <- Filter(Negate(is.null), list_all)

df_all <- do.call(rbind, list_all)
df_all <- df_all[complete.cases(df_all), ]

volatility <- df_all %>%
group_by(CharCode) %>%
summarise(
mean_value = mean(Value, na.rm = TRUE),
sd_value = sd(Value, na.rm = TRUE),
volatility = sd(log(Value), na.rm = TRUE) * 100
) %>%
arrange(desc(volatility)) %>%
slice_head(n = 10)

plot_vol <- ggplot(volatility, aes(
x = reorder(CharCode, volatility),
y = volatility,
fill = CharCode
)) +
geom_col(width = 0.7) +

geom_text(
aes(label = round(volatility, 2)),
hjust = -0.2,
size = 3.5
) +

coord_flip() +

scale_y_continuous(expand = expansion(mult = c(0, 0.25))) +

theme_minimal() +
theme(
legend.position = "none"
) +

labs(
title = "ТОП-10 самых волатильных валют (30 дней)",
x = "Валюта",
y = "Волатильность (%)"
)

# График за месяц
plot_month <- ggplot(df_month, aes(
x = date, # Ось X — дата
y = Value, # Ось Y — курс валюты
color = CharCode, # Цвет линий по валюте
group = CharCode # Группировка линий
)) +

geom_line(linewidth = 1) + # Линия графика
geom_point(size = 1.5) + # Точки на линии

theme_minimal() +

labs( # Подписи
title = "Динамика валют за 30 дней",
x = "Дата",
y = "Курс к RUB",
color = "Валюта"
)

# Объединение графиков
final_plot <- (plot_main | plot_vol) /
(plot_growth| plot_month)

print(final_plot) # Вывод на экран

ggsave("currency_dashboard_full.png", # Сохранение в PNG файл
final_plot,
width = 14,
height = 10)
</syntaxhighlight>

== Результаты ==
[[Файл:Таблица Валюты.png|обрамить]]
[[Файл:Графики Валют.png|обрамить]]

[[Категория:BigDataWorks]]
[[Категория: RRecipe]]

Изучение изменения стоимости валют по данным ЦБ

2026-04-14T08:22:52Z

Vladislav Leontev:

== Описание проекта ==

'''Анализ валютного рынка ЦБ РФ на основе R. Построение дашборда: дневные изменения, 30-дневная динамика и волатильность валют.'''

== Назначение ==
Проект позволяет оценить характер изменения стоимости валют по данным ЦБ.

__NOTOC__

== Общая концепция ==
<uml>
@startuml
title Уровни анализа валютного дашборда

rectangle "Источник данных (CBR API)" as data
rectangle "Сбор данных (httr + JSON)" as collect
rectangle "Обработка (R data.frame)" as process
rectangle "Метрики (изменения, волатильность)" as metrics
rectangle "Визуализация (ggplot2 + patchwork)" as viz
rectangle "Интерпретация (аналитика)" as interp

data --> collect
collect --> process
process --> metrics
metrics --> viz
viz --> interp

@enduml
</uml>

= Валютный дашборд ЦБ РФ (R + анализ) =

== Цель исследования ==
Проект направлен на анализ валютного рынка:
* дневные изменения валют
* динамика за 30 дней
* волатильность валют
* сравнение мировых и остальных валют

== Источник данных ==
Данные берутся из API ЦБ РФ:

<code>https://www.cbr-xml-daily.ru/daily_json.js</code>

Исторические данные:

<code>https://www.cbr-xml-daily.ru/archive/YYYY/MM/DD/daily_json.js</code>

== Архитектура обработки данных ==

<uml>
@startuml
title Поток обработки данных

rectangle "CBR API" as api
rectangle "HTTP GET" as http
rectangle "JSON parsing" as json
rectangle "data.frame" as df
rectangle "Feature engineering" as feat
rectangle "Visualization" as plot

api --> http
http --> json
json --> df
df --> feat
feat --> plot

@enduml
</uml>

== 📊 Структура данных ==

<uml>
@startuml
title Структура валютных данных

rectangle "Date" as date
rectangle "Currency Code" as code
rectangle "Value" as value
rectangle "Previous Value" as prev
rectangle "Change %" as change

date --> value
code --> value
prev --> change
value --> change

@enduml
</uml>

== Загрузка и подготовка данных ==

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(patchwork)

options(encoding = "UTF-8")

url <- "https://www.cbr-xml-daily.ru/daily_json.js"
data <- fromJSON(content(GET(url), "text"))

valutes <- data$Valute

df <- data.frame(
CharCode = sapply(valutes, function(x) x$CharCode),
Value = as.numeric(sapply(valutes, function(x) x$Value)),
Previous = as.numeric(sapply(valutes, function(x) x$Previous))
)

df <- df[complete.cases(df), ]
df$change_pct <- (df$Value - df$Previous) / df$Previous * 100
df <- df[is.finite(df$change_pct), ]
</syntaxhighlight>

== Сегментация валют ==

Мировые валюты:

<syntaxhighlight lang="r">
popular <- c("USD","EUR","GBP","JPY","CNY",
"CHF","CAD","AUD","NZD","SEK")
</syntaxhighlight>

== Логика анализа ==

<uml>
@startuml
title Логика обработки валют

rectangle "Все валюты" as all
rectangle "Мировые валюты" as world
rectangle "Рост" as up
rectangle "Падение" as down

all --> world
all --> up
all --> down

@enduml
</uml>

== Дневной анализ ==

<syntaxhighlight lang="r">
title Группы валют

rectangle "Мировые" as world
rectangle "Рост" as up
rectangle "Падение" as down

world --> "Сравнительный анализ"
up --> "Топ роста"
down --> "Топ падения"
</syntaxhighlight>

== 30-дневная динамика ==

Алгоритм:
# загрузка архивных данных ЦБ
# формирование временного ряда
# расчёт накопленного изменения

<syntaxhighlight lang="r">
change_30d_pct = (Value / first(Value) - 1) * 100
</syntaxhighlight>

== Волатильность ==

Формула:

<math>
Volatility = sd(\log(Value)) \times 100
</math>

== Визуализация системы ==

<uml>
@startuml
title Схема дашборда

rectangle "Дневной график" as main
rectangle "30-дневная динамика" as growth
rectangle "Волатильность" as vol
rectangle "Итоговый дашборд" as dashboard

main --> dashboard
growth --> dashboard
vol --> dashboard

@enduml
</uml>

=== Основной график ===
* дневные изменения валют
* цветовая группировка: рост / падение / мировые

=== Волатильность ===
* TOP-10 наиболее нестабильных валют

== Итоговый дашборд ==

<syntaxhighlight lang="r">
final_plot <- (plot_main | plot_vol) /
(plot_growth | plot_month)

ggsave("currency_dashboard_full.png",
final_plot,
width = 14,
height = 10)
</syntaxhighlight>

== Вывод ==
Проект демонстрирует:
* работу с внешними API
* обработку временных рядов
* построение аналитических дашбордов в R
* визуальную аналитику финансовых данных

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(patchwork)

options(encoding = "UTF-8")

url <- "https://www.cbr-xml-daily.ru/daily_json.js"
data <- fromJSON(content(GET(url), "text"))

valutes <- data$Valute # Извлекаем список валют из полученного объекта

df <- data.frame( # Создаём таблицу
CharCode = sapply(valutes, function(x) x$CharCode), # Код валюты (USD, EUR и т.д.)
Value = as.numeric(sapply(valutes, function(x) x$Value)), # Текущий курс валюты
Previous = as.numeric(sapply(valutes, function(x) x$Previous)) # Предыдущий курс валюты
)

df <- df[complete.cases(df), ] # Удаляем строки с пропущенными значениями

df$change_pct <- (df$Value - df$Previous) / df$Previous * 100 # Считаем процентное изменение курса валют
df <- df[is.finite(df$change_pct), ] # Удаляем бесконечные значения

popular <- c("USD","EUR","GBP","JPY","CNY", # Список основных валют для отдельного анализа
"CHF","CAD","AUD","NZD","SEK")

df_world <- df[df$CharCode %in% popular, ] # Фильтруем только мировые валюты
df_world$group <- "Мировые" # Добавляем метку группы

df_top <- df[!df$CharCode %in% popular, ] # Оставляем все валюты не из списка

df_up <- df_top[df_top$change_pct > 0, ] # Фильтруем валюты, которые выросли
df_up <- df_up[order(df_up$change_pct, decreasing = TRUE), ] # Сортируем по убыванию роста
df_up <- head(df_up, 10) # Берём топ-10 валют роста
df_up$group <- "Рост"

df_down <- df_top[df_top$change_pct < 0, ] # Фильтруем валюты, которые упали
df_down <- df_down[order(df_down$change_pct), ] # Сортируем по сильнейшему падению
df_down <- head(df_down, 10) # Берём топ-10 падений
df_down$group <- "Падение"

df_final <- rbind(df_world, df_up, df_down) # Объединяем мировые + рост + падение в одну таблицу

# График за день
plot_main <- ggplot(df_final, aes(
x = reorder(CharCode, change_pct), # Сортируем валюты по изменению
y = change_pct, # Значение по оси Y (% изменения)
fill = group # Цвет по группе
)) +

geom_col() + # Столбчатый график

geom_text( # Подписи значений на столбцах
aes(label = paste0(round(change_pct, 2), "%")),
vjust = -0.5,
size = 3
) +

scale_fill_manual(values = c( # Цвета для групп
"Мировые" = "gray60",
"Рост" = "green3",
"Падение" = "red3"
)) +

theme_minimal() +

labs( # Подписи графика
title = "Валютный рынок ЦБ РФ",
x = "Валюта",
y = "Изменение (%)",
fill = "Группа"
) +

expand_limits(y = max(df_final$change_pct) * 1.2) # Запас по оси Y, чтобы подписи не обрезались

currencies <- c("USD", "EUR", "CNY", "JPY", "GBP") # Список валют для анализа месяца
dates <- seq(Sys.Date() - 30, Sys.Date(), by = "day") # Создаём список дат за последние 30 дней

get_day_data <- function(date) { # Функция загрузки данных за конкретный день
url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text")) # Загружаем данные дня

data.frame( # Создаём таблицу по выбранным валютам
date = as.Date(date),
CharCode = currencies,
Value = sapply(currencies, function(x) data$Valute[[x]]$Value) # Берём значение каждой валюты
)
}, error = function(e) NULL) # Если ошибка
}

list_data <- lapply(dates, get_day_data) # Получаем данные за все дни
list_data <- Filter(Negate(is.null), list_data) # Удаляем пустые результаты

df_month <- do.call(rbind, list_data) # объединяем в один график
df_month <- df_month[complete.cases(df_month), ] # удаляем ненайденное

df_month <- df_month %>%
group_by(CharCode) %>%
arrange(date) %>%
mutate(
change_30d_pct = (Value / first(Value) - 1) * 100
) %>%
ungroup()

plot_growth <- ggplot(df_month, aes(
x = date,
y = change_30d_pct,
color = CharCode
)) +
geom_line(linewidth = 1) +
theme_minimal() +
labs(
title = "Накопленное изменение валют за 30 дней (%)",
x = "Дата",
y = "% изменения",
color = "Валюта"
)

get_all_currencies <- function(date) {

url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text"))
val <- data$Valute

data.frame(
date = as.Date(date),
CharCode = names(val),
Value = sapply(val, function(x) x$Value)
)
}, error = function(e) NULL)
}

list_all <- lapply(dates, get_all_currencies)
list_all <- Filter(Negate(is.null), list_all)

df_all <- do.call(rbind, list_all)
df_all <- df_all[complete.cases(df_all), ]

volatility <- df_all %>%
group_by(CharCode) %>%
summarise(
mean_value = mean(Value, na.rm = TRUE),
sd_value = sd(Value, na.rm = TRUE),
volatility = sd(log(Value), na.rm = TRUE) * 100
) %>%
arrange(desc(volatility)) %>%
slice_head(n = 10)

plot_vol <- ggplot(volatility, aes(
x = reorder(CharCode, volatility),
y = volatility,
fill = CharCode
)) +
geom_col(width = 0.7) +

geom_text(
aes(label = round(volatility, 2)),
hjust = -0.2,
size = 3.5
) +

coord_flip() +

scale_y_continuous(expand = expansion(mult = c(0, 0.25))) +

theme_minimal() +
theme(
legend.position = "none"
) +

labs(
title = "ТОП-10 самых волатильных валют (30 дней)",
x = "Валюта",
y = "Волатильность (%)"
)

# График за месяц
plot_month <- ggplot(df_month, aes(
x = date, # Ось X — дата
y = Value, # Ось Y — курс валюты
color = CharCode, # Цвет линий по валюте
group = CharCode # Группировка линий
)) +

geom_line(linewidth = 1) + # Линия графика
geom_point(size = 1.5) + # Точки на линии

theme_minimal() +

labs( # Подписи
title = "Динамика валют за 30 дней",
x = "Дата",
y = "Курс к RUB",
color = "Валюта"
)

# Объединение графиков
final_plot <- (plot_main | plot_vol) /
(plot_growth| plot_month)

print(final_plot) # Вывод на экран

ggsave("currency_dashboard_full.png", # Сохранение в PNG файл
final_plot,
width = 14,
height = 10)
</syntaxhighlight>

== Результаты ==
[[Файл:Таблица Валюты.png|обрамить]]
[[Файл:Графики Валют.png|обрамить]]

[[Категория:BigDataWorks]]

Участник:Vladislav Leontev

2026-04-14T08:04:20Z

Vladislav Leontev:

{{UserMGPU
|Description=Студент группы ИНДОР-211.
|Field_of_knowledge=Математика, Информатика, Робототехника, Педагогика, Образование, Интернет вещей, Большие данные, Алгебра, Технология
|Position=Бакалавриат
|Profile=Информатика, Робототехника
|PedDirection=Да
|Working_On=Анализ погоды за последнюю неделю, Изучение изменения стоимости валют по данным ЦБ
}}
[[Категория:ИНДОР-211]]
[[Категория:UserMGPU]]

Проект Леонтьев R2

2026-04-14T08:03:35Z

Vladislav Leontev: Vladislav Leontev переименовал страницу Проект Леонтьев R2 в Анализ погоды за последнюю неделю: Название с ошибкой

#перенаправление [[Анализ погоды за последнюю неделю]]

Анализ погоды за последнюю неделю

2026-04-14T08:03:35Z

== Описание проекта ==
Анализ погоды за последнюю неделю.

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(dplyr)
library(patchwork)

options(encoding = "UTF-8")

start_date <- as.character(Sys.Date() - 8) # Начало периода (7 дней назад)
end_date <- as.character(Sys.Date() - 1) # Конец периода (вчера)

url <- paste0(
"https://archive-api.open-meteo.com/v1/archive?",
"latitude=55.7558&longitude=37.6173",
"&start_date=", start_date,
"&end_date=", end_date,
"&hourly=temperature_2m,precipitation,cloudcover,windspeed_10m",
"&timezone=Europe/Moscow"
)

res <- GET(url) # Отправка запроса

stop_for_status(res) # Остановка, если ошибка

text <- content(res, "text", encoding = "UTF-8") # Извлекаем текст ответа
json <- fromJSON(text)

df <- data.frame(
datetime = json$hourly$time,
temp = json$hourly$temperature_2m,
precip = json$hourly$precipitation,
cloud = json$hourly$cloudcover,
wind = json$hourly$windspeed_10m
)

df$datetime <- as.POSIXct(df$datetime, format = "%Y-%m-%dT%H:%M", tz = "Europe/Moscow")

df$date <- as.Date(df$datetime) # Выделяем дату
df$hour <- format(df$datetime, "%H:%M") # Выделяем час

df_table <- df %>%
select(date, hour, temp, precip, cloud, wind) %>% # Выбираем нужные колонки
arrange(date, hour) # Сортировка по времени

print(head(df_table, 20)) # Вывод первых строк
View(df_table) # открытие таблицы

# Графики
plot_temp <- ggplot(df, aes(datetime, temp)) +
geom_line(color = "red") +
theme_minimal() +
labs(title = "Температура (7 дней)", x = "", y = "°C")

plot_precip <- ggplot(df, aes(datetime, precip)) +
geom_col(fill = "blue") +
theme_minimal() +
labs(title = "Осадки (7 дней)", x = "", y = "mm")

plot_cloud <- ggplot(df, aes(datetime, cloud)) +
geom_line(color = "gray40") +
theme_minimal() +
labs(title = "Облачность (7 дней)", x = "", y = "%")

plot_wind <- ggplot(df, aes(datetime, wind)) +
geom_line(color = "darkgreen") +
theme_minimal() +
labs(title = "Ветер (7 дней)", x = "", y = "m/s")

final_plot <- (plot_temp | plot_precip) / # Объединение графиков
(plot_cloud | plot_wind)

print(final_plot)

ggsave("moscow_weather_7days.png", # Сохранение картинки
final_plot,
width = 14,
height = 10)
</syntaxhighlight>

== Результаты ==
[[Файл:Таблица Погода.png|обрамить]]
[[Файл:График Погода.png|обрамить]]

[[Категория:BigDataWorks]]
[[Категория: RRecipe]]

Участник:Vladislav Leontev

2026-04-14T08:03:09Z

Vladislav Leontev:

{{UserMGPU
|Description=Студент группы ИНДОР-211.
|Field_of_knowledge=Математика, Информатика, Робототехника, Педагогика, Образование, Интернет вещей, Большие данные, Алгебра, Технология
|Position=Бакалавриат
|Profile=Информатика, Робототехника
|PedDirection=Да
|Working_On=Проект Леонтьев R2, Изучение изменения стоимости валют по данным ЦБ
}}
[[Категория:ИНДОР-211]]
[[Категория:UserMGPU]]

Анализ погоды за последнюю неделю

2026-04-14T07:37:24Z

Vladislav Leontev:

Изучение изменения стоимости валют по данным ЦБ

2026-04-14T07:36:46Z

Vladislav Leontev:

== Описание проекта ==
Проект позволяет оценить характер изменения стоимости валют по данным ЦБ.

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(patchwork)

options(encoding = "UTF-8")

url <- "https://www.cbr-xml-daily.ru/daily_json.js"
data <- fromJSON(content(GET(url), "text"))

valutes <- data$Valute # Извлекаем список валют из полученного объекта

df <- data.frame( # Создаём таблицу
CharCode = sapply(valutes, function(x) x$CharCode), # Код валюты (USD, EUR и т.д.)
Value = as.numeric(sapply(valutes, function(x) x$Value)), # Текущий курс валюты
Previous = as.numeric(sapply(valutes, function(x) x$Previous)) # Предыдущий курс валюты
)

df <- df[complete.cases(df), ] # Удаляем строки с пропущенными значениями

df$change_pct <- (df$Value - df$Previous) / df$Previous * 100 # Считаем процентное изменение курса валют
df <- df[is.finite(df$change_pct), ] # Удаляем бесконечные значения

popular <- c("USD","EUR","GBP","JPY","CNY", # Список основных валют для отдельного анализа
"CHF","CAD","AUD","NZD","SEK")

df_world <- df[df$CharCode %in% popular, ] # Фильтруем только мировые валюты
df_world$group <- "Мировые" # Добавляем метку группы

df_top <- df[!df$CharCode %in% popular, ] # Оставляем все валюты не из списка

df_up <- df_top[df_top$change_pct > 0, ] # Фильтруем валюты, которые выросли
df_up <- df_up[order(df_up$change_pct, decreasing = TRUE), ] # Сортируем по убыванию роста
df_up <- head(df_up, 10) # Берём топ-10 валют роста
df_up$group <- "Рост"

df_down <- df_top[df_top$change_pct < 0, ] # Фильтруем валюты, которые упали
df_down <- df_down[order(df_down$change_pct), ] # Сортируем по сильнейшему падению
df_down <- head(df_down, 10) # Берём топ-10 падений
df_down$group <- "Падение"

df_final <- rbind(df_world, df_up, df_down) # Объединяем мировые + рост + падение в одну таблицу

# График за день
plot_main <- ggplot(df_final, aes(
x = reorder(CharCode, change_pct), # Сортируем валюты по изменению
y = change_pct, # Значение по оси Y (% изменения)
fill = group # Цвет по группе
)) +

geom_col() + # Столбчатый график

geom_text( # Подписи значений на столбцах
aes(label = paste0(round(change_pct, 2), "%")),
vjust = -0.5,
size = 3
) +

scale_fill_manual(values = c( # Цвета для групп
"Мировые" = "gray60",
"Рост" = "green3",
"Падение" = "red3"
)) +

theme_minimal() +

labs( # Подписи графика
title = "Валютный рынок ЦБ РФ",
x = "Валюта",
y = "Изменение (%)",
fill = "Группа"
) +

expand_limits(y = max(df_final$change_pct) * 1.2) # Запас по оси Y, чтобы подписи не обрезались

currencies <- c("USD", "EUR", "CNY", "JPY", "GBP") # Список валют для анализа месяца
dates <- seq(Sys.Date() - 30, Sys.Date(), by = "day") # Создаём список дат за последние 30 дней

get_day_data <- function(date) { # Функция загрузки данных за конкретный день
url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text")) # Загружаем данные дня

data.frame( # Создаём таблицу по выбранным валютам
date = as.Date(date),
CharCode = currencies,
Value = sapply(currencies, function(x) data$Valute[[x]]$Value) # Берём значение каждой валюты
)
}, error = function(e) NULL) # Если ошибка
}

list_data <- lapply(dates, get_day_data) # Получаем данные за все дни
list_data <- Filter(Negate(is.null), list_data) # Удаляем пустые результаты

df_month <- do.call(rbind, list_data) # объединяем в один график
df_month <- df_month[complete.cases(df_month), ] # удаляем ненайденное

df_month <- df_month %>%
group_by(CharCode) %>%
arrange(date) %>%
mutate(
change_30d_pct = (Value / first(Value) - 1) * 100
) %>%
ungroup()

plot_growth <- ggplot(df_month, aes(
x = date,
y = change_30d_pct,
color = CharCode
)) +
geom_line(linewidth = 1) +
theme_minimal() +
labs(
title = "Накопленное изменение валют за 30 дней (%)",
x = "Дата",
y = "% изменения",
color = "Валюта"
)

get_all_currencies <- function(date) {

url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text"))
val <- data$Valute

data.frame(
date = as.Date(date),
CharCode = names(val),
Value = sapply(val, function(x) x$Value)
)
}, error = function(e) NULL)
}

list_all <- lapply(dates, get_all_currencies)
list_all <- Filter(Negate(is.null), list_all)

df_all <- do.call(rbind, list_all)
df_all <- df_all[complete.cases(df_all), ]

volatility <- df_all %>%
group_by(CharCode) %>%
summarise(
mean_value = mean(Value, na.rm = TRUE),
sd_value = sd(Value, na.rm = TRUE),
volatility = sd(log(Value), na.rm = TRUE) * 100
) %>%
arrange(desc(volatility)) %>%
slice_head(n = 10)

plot_vol <- ggplot(volatility, aes(
x = reorder(CharCode, volatility),
y = volatility,
fill = CharCode
)) +
geom_col(width = 0.7) +

geom_text(
aes(label = round(volatility, 2)),
hjust = -0.2,
size = 3.5
) +

coord_flip() +

scale_y_continuous(expand = expansion(mult = c(0, 0.25))) +

theme_minimal() +
theme(
legend.position = "none"
) +

labs(
title = "ТОП-10 самых волатильных валют (30 дней)",
x = "Валюта",
y = "Волатильность (%)"
)

# График за месяц
plot_month <- ggplot(df_month, aes(
x = date, # Ось X — дата
y = Value, # Ось Y — курс валюты
color = CharCode, # Цвет линий по валюте
group = CharCode # Группировка линий
)) +

geom_line(linewidth = 1) + # Линия графика
geom_point(size = 1.5) + # Точки на линии

theme_minimal() +

labs( # Подписи
title = "Динамика валют за 30 дней",
x = "Дата",
y = "Курс к RUB",
color = "Валюта"
)

# Объединение графиков
final_plot <- (plot_main | plot_vol) /
(plot_growth| plot_month)

print(final_plot) # Вывод на экран

ggsave("currency_dashboard_full.png", # Сохранение в PNG файл
final_plot,
width = 14,
height = 10)
</syntaxhighlight>

== Результаты ==
[[Файл:Таблица Валюты.png|обрамить]]
[[Файл:Графики Валют.png|обрамить]]

[[Категория:BigDataWorks]]

Изучение изменения стоимости валют по данным ЦБ

2026-04-14T07:36:16Z

Vladislav Leontev:

== Описание проекта ==
Проект позволяет оценить характер изменения стоимости валют по данным ЦБ.

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(patchwork)

options(encoding = "UTF-8")

url <- "https://www.cbr-xml-daily.ru/daily_json.js"
data <- fromJSON(content(GET(url), "text"))

valutes <- data$Valute # Извлекаем список валют из полученного объекта

df <- data.frame( # Создаём таблицу
CharCode = sapply(valutes, function(x) x$CharCode), # Код валюты (USD, EUR и т.д.)
Value = as.numeric(sapply(valutes, function(x) x$Value)), # Текущий курс валюты
Previous = as.numeric(sapply(valutes, function(x) x$Previous)) # Предыдущий курс валюты
)

df <- df[complete.cases(df), ] # Удаляем строки с пропущенными значениями

df$change_pct <- (df$Value - df$Previous) / df$Previous * 100 # Считаем процентное изменение курса валют
df <- df[is.finite(df$change_pct), ] # Удаляем бесконечные значения

popular <- c("USD","EUR","GBP","JPY","CNY", # Список основных валют для отдельного анализа
"CHF","CAD","AUD","NZD","SEK")

df_world <- df[df$CharCode %in% popular, ] # Фильтруем только мировые валюты
df_world$group <- "Мировые" # Добавляем метку группы

df_top <- df[!df$CharCode %in% popular, ] # Оставляем все валюты не из списка

df_up <- df_top[df_top$change_pct > 0, ] # Фильтруем валюты, которые выросли
df_up <- df_up[order(df_up$change_pct, decreasing = TRUE), ] # Сортируем по убыванию роста
df_up <- head(df_up, 10) # Берём топ-10 валют роста
df_up$group <- "Рост"

df_down <- df_top[df_top$change_pct < 0, ] # Фильтруем валюты, которые упали
df_down <- df_down[order(df_down$change_pct), ] # Сортируем по сильнейшему падению
df_down <- head(df_down, 10) # Берём топ-10 падений
df_down$group <- "Падение"

df_final <- rbind(df_world, df_up, df_down) # Объединяем мировые + рост + падение в одну таблицу

# График за день
plot_main <- ggplot(df_final, aes(
x = reorder(CharCode, change_pct), # Сортируем валюты по изменению
y = change_pct, # Значение по оси Y (% изменения)
fill = group # Цвет по группе
)) +

geom_col() + # Столбчатый график

geom_text( # Подписи значений на столбцах
aes(label = paste0(round(change_pct, 2), "%")),
vjust = -0.5,
size = 3
) +

scale_fill_manual(values = c( # Цвета для групп
"Мировые" = "gray60",
"Рост" = "green3",
"Падение" = "red3"
)) +

theme_minimal() +

labs( # Подписи графика
title = "Валютный рынок ЦБ РФ",
x = "Валюта",
y = "Изменение (%)",
fill = "Группа"
) +

expand_limits(y = max(df_final$change_pct) * 1.2) # Запас по оси Y, чтобы подписи не обрезались

currencies <- c("USD", "EUR", "CNY", "JPY", "GBP") # Список валют для анализа месяца
dates <- seq(Sys.Date() - 30, Sys.Date(), by = "day") # Создаём список дат за последние 30 дней

get_day_data <- function(date) { # Функция загрузки данных за конкретный день
url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text")) # Загружаем данные дня

data.frame( # Создаём таблицу по выбранным валютам
date = as.Date(date),
CharCode = currencies,
Value = sapply(currencies, function(x) data$Valute[[x]]$Value) # Берём значение каждой валюты
)
}, error = function(e) NULL) # Если ошибка
}

list_data <- lapply(dates, get_day_data) # Получаем данные за все дни
list_data <- Filter(Negate(is.null), list_data) # Удаляем пустые результаты

df_month <- do.call(rbind, list_data) # объединяем в один график
df_month <- df_month[complete.cases(df_month), ] # удаляем ненайденное

df_month <- df_month %>%
group_by(CharCode) %>%
arrange(date) %>%
mutate(
change_30d_pct = (Value / first(Value) - 1) * 100
) %>%
ungroup()

plot_growth <- ggplot(df_month, aes(
x = date,
y = change_30d_pct,
color = CharCode
)) +
geom_line(linewidth = 1) +
theme_minimal() +
labs(
title = "Накопленное изменение валют за 30 дней (%)",
x = "Дата",
y = "% изменения",
color = "Валюта"
)

get_all_currencies <- function(date) {

url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text"))
val <- data$Valute

data.frame(
date = as.Date(date),
CharCode = names(val),
Value = sapply(val, function(x) x$Value)
)
}, error = function(e) NULL)
}

list_all <- lapply(dates, get_all_currencies)
list_all <- Filter(Negate(is.null), list_all)

df_all <- do.call(rbind, list_all)
df_all <- df_all[complete.cases(df_all), ]

volatility <- df_all %>%
group_by(CharCode) %>%
summarise(
mean_value = mean(Value, na.rm = TRUE),
sd_value = sd(Value, na.rm = TRUE),
volatility = sd(log(Value), na.rm = TRUE) * 100
) %>%
arrange(desc(volatility)) %>%
slice_head(n = 10)

plot_vol <- ggplot(volatility, aes(
x = reorder(CharCode, volatility),
y = volatility,
fill = CharCode
)) +
geom_col(width = 0.7) +

geom_text(
aes(label = round(volatility, 2)),
hjust = -0.2,
size = 3.5
) +

coord_flip() +

scale_y_continuous(expand = expansion(mult = c(0, 0.25))) +

theme_minimal() +
theme(
legend.position = "none"
) +

labs(
title = "ТОП-10 самых волатильных валют (30 дней)",
x = "Валюта",
y = "Волатильность (%)"
)

# График за месяц
plot_month <- ggplot(df_month, aes(
x = date, # Ось X — дата
y = Value, # Ось Y — курс валюты
color = CharCode, # Цвет линий по валюте
group = CharCode # Группировка линий
)) +

geom_line(linewidth = 1) + # Линия графика
geom_point(size = 1.5) + # Точки на линии

theme_minimal() +

labs( # Подписи
title = "Динамика валют за 30 дней",
x = "Дата",
y = "Курс к RUB",
color = "Валюта"
)

# Объединение графиков
final_plot <- (plot_main | plot_vol) /
(plot_growth| plot_month)

print(final_plot) # Вывод на экран

ggsave("currency_dashboard_full.png", # Сохранение в PNG файл
final_plot,
width = 14,
height = 10)
</syntaxhighlight>
[[Файл:Таблица Валюты.png|обрамить]]
[[Файл:Графики Валют.png|обрамить]]

[[Категория:BigDataWorks]]

Изучение изменения стоимости валют по данным ЦБ

2026-04-14T07:34:05Z

Vladislav Leontev:

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(patchwork)

options(encoding = "UTF-8")

url <- "https://www.cbr-xml-daily.ru/daily_json.js"
data <- fromJSON(content(GET(url), "text"))

valutes <- data$Valute # Извлекаем список валют из полученного объекта

df <- data.frame( # Создаём таблицу
CharCode = sapply(valutes, function(x) x$CharCode), # Код валюты (USD, EUR и т.д.)
Value = as.numeric(sapply(valutes, function(x) x$Value)), # Текущий курс валюты
Previous = as.numeric(sapply(valutes, function(x) x$Previous)) # Предыдущий курс валюты
)

df <- df[complete.cases(df), ] # Удаляем строки с пропущенными значениями

df$change_pct <- (df$Value - df$Previous) / df$Previous * 100 # Считаем процентное изменение курса валют
df <- df[is.finite(df$change_pct), ] # Удаляем бесконечные значения

popular <- c("USD","EUR","GBP","JPY","CNY", # Список основных валют для отдельного анализа
"CHF","CAD","AUD","NZD","SEK")

df_world <- df[df$CharCode %in% popular, ] # Фильтруем только мировые валюты
df_world$group <- "Мировые" # Добавляем метку группы

df_top <- df[!df$CharCode %in% popular, ] # Оставляем все валюты не из списка

df_up <- df_top[df_top$change_pct > 0, ] # Фильтруем валюты, которые выросли
df_up <- df_up[order(df_up$change_pct, decreasing = TRUE), ] # Сортируем по убыванию роста
df_up <- head(df_up, 10) # Берём топ-10 валют роста
df_up$group <- "Рост"

df_down <- df_top[df_top$change_pct < 0, ] # Фильтруем валюты, которые упали
df_down <- df_down[order(df_down$change_pct), ] # Сортируем по сильнейшему падению
df_down <- head(df_down, 10) # Берём топ-10 падений
df_down$group <- "Падение"

df_final <- rbind(df_world, df_up, df_down) # Объединяем мировые + рост + падение в одну таблицу

# График за день
plot_main <- ggplot(df_final, aes(
x = reorder(CharCode, change_pct), # Сортируем валюты по изменению
y = change_pct, # Значение по оси Y (% изменения)
fill = group # Цвет по группе
)) +

geom_col() + # Столбчатый график

geom_text( # Подписи значений на столбцах
aes(label = paste0(round(change_pct, 2), "%")),
vjust = -0.5,
size = 3
) +

scale_fill_manual(values = c( # Цвета для групп
"Мировые" = "gray60",
"Рост" = "green3",
"Падение" = "red3"
)) +

theme_minimal() +

labs( # Подписи графика
title = "Валютный рынок ЦБ РФ",
x = "Валюта",
y = "Изменение (%)",
fill = "Группа"
) +

expand_limits(y = max(df_final$change_pct) * 1.2) # Запас по оси Y, чтобы подписи не обрезались

currencies <- c("USD", "EUR", "CNY", "JPY", "GBP") # Список валют для анализа месяца
dates <- seq(Sys.Date() - 30, Sys.Date(), by = "day") # Создаём список дат за последние 30 дней

get_day_data <- function(date) { # Функция загрузки данных за конкретный день
url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text")) # Загружаем данные дня

data.frame( # Создаём таблицу по выбранным валютам
date = as.Date(date),
CharCode = currencies,
Value = sapply(currencies, function(x) data$Valute[[x]]$Value) # Берём значение каждой валюты
)
}, error = function(e) NULL) # Если ошибка
}

list_data <- lapply(dates, get_day_data) # Получаем данные за все дни
list_data <- Filter(Negate(is.null), list_data) # Удаляем пустые результаты

df_month <- do.call(rbind, list_data) # объединяем в один график
df_month <- df_month[complete.cases(df_month), ] # удаляем ненайденное

df_month <- df_month %>%
group_by(CharCode) %>%
arrange(date) %>%
mutate(
change_30d_pct = (Value / first(Value) - 1) * 100
) %>%
ungroup()

plot_growth <- ggplot(df_month, aes(
x = date,
y = change_30d_pct,
color = CharCode
)) +
geom_line(linewidth = 1) +
theme_minimal() +
labs(
title = "Накопленное изменение валют за 30 дней (%)",
x = "Дата",
y = "% изменения",
color = "Валюта"
)

get_all_currencies <- function(date) {

url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text"))
val <- data$Valute

data.frame(
date = as.Date(date),
CharCode = names(val),
Value = sapply(val, function(x) x$Value)
)
}, error = function(e) NULL)
}

list_all <- lapply(dates, get_all_currencies)
list_all <- Filter(Negate(is.null), list_all)

df_all <- do.call(rbind, list_all)
df_all <- df_all[complete.cases(df_all), ]

volatility <- df_all %>%
group_by(CharCode) %>%
summarise(
mean_value = mean(Value, na.rm = TRUE),
sd_value = sd(Value, na.rm = TRUE),
volatility = sd(log(Value), na.rm = TRUE) * 100
) %>%
arrange(desc(volatility)) %>%
slice_head(n = 10)

plot_vol <- ggplot(volatility, aes(
x = reorder(CharCode, volatility),
y = volatility,
fill = CharCode
)) +
geom_col(width = 0.7) +

geom_text(
aes(label = round(volatility, 2)),
hjust = -0.2,
size = 3.5
) +

coord_flip() +

scale_y_continuous(expand = expansion(mult = c(0, 0.25))) +

theme_minimal() +
theme(
legend.position = "none"
) +

labs(
title = "ТОП-10 самых волатильных валют (30 дней)",
x = "Валюта",
y = "Волатильность (%)"
)

# График за месяц
plot_month <- ggplot(df_month, aes(
x = date, # Ось X — дата
y = Value, # Ось Y — курс валюты
color = CharCode, # Цвет линий по валюте
group = CharCode # Группировка линий
)) +

geom_line(linewidth = 1) + # Линия графика
geom_point(size = 1.5) + # Точки на линии

theme_minimal() +

labs( # Подписи
title = "Динамика валют за 30 дней",
x = "Дата",
y = "Курс к RUB",
color = "Валюта"
)

# Объединение графиков
final_plot <- (plot_main | plot_vol) /
(plot_growth| plot_month)

print(final_plot) # Вывод на экран

ggsave("currency_dashboard_full.png", # Сохранение в PNG файл
final_plot,
width = 14,
height = 10)
</syntaxhighlight>
[[Файл:Таблица Валюты.png|обрамить]]
[[Файл:Графики Валют.png|обрамить]]

[[Категория:BigDataWorks]]

Файл:Графики Валют.png

2026-04-14T07:33:53Z

Vladislav Leontev:

Графики изменения валют

Анализ погоды за последнюю неделю

2026-04-14T06:55:33Z

Vladislav Leontev:

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(dplyr)
library(patchwork)

options(encoding = "UTF-8")

start_date <- as.character(Sys.Date() - 8) # Начало периода (7 дней назад)
end_date <- as.character(Sys.Date() - 1) # Конец периода (вчера)

url <- paste0(
"https://archive-api.open-meteo.com/v1/archive?",
"latitude=55.7558&longitude=37.6173",
"&start_date=", start_date,
"&end_date=", end_date,
"&hourly=temperature_2m,precipitation,cloudcover,windspeed_10m",
"&timezone=Europe/Moscow"
)

res <- GET(url) # Отправка запроса

stop_for_status(res) # Остановка, если ошибка

text <- content(res, "text", encoding = "UTF-8") # Извлекаем текст ответа
json <- fromJSON(text)

df <- data.frame(
datetime = json$hourly$time,
temp = json$hourly$temperature_2m,
precip = json$hourly$precipitation,
cloud = json$hourly$cloudcover,
wind = json$hourly$windspeed_10m
)

df$datetime <- as.POSIXct(df$datetime, format = "%Y-%m-%dT%H:%M", tz = "Europe/Moscow")

df$date <- as.Date(df$datetime) # Выделяем дату
df$hour <- format(df$datetime, "%H:%M") # Выделяем час

df_table <- df %>%
select(date, hour, temp, precip, cloud, wind) %>% # Выбираем нужные колонки
arrange(date, hour) # Сортировка по времени

print(head(df_table, 20)) # Вывод первых строк
View(df_table) # открытие таблицы

# Графики
plot_temp <- ggplot(df, aes(datetime, temp)) +
geom_line(color = "red") +
theme_minimal() +
labs(title = "Температура (7 дней)", x = "", y = "°C")

plot_precip <- ggplot(df, aes(datetime, precip)) +
geom_col(fill = "blue") +
theme_minimal() +
labs(title = "Осадки (7 дней)", x = "", y = "mm")

plot_cloud <- ggplot(df, aes(datetime, cloud)) +
geom_line(color = "gray40") +
theme_minimal() +
labs(title = "Облачность (7 дней)", x = "", y = "%")

plot_wind <- ggplot(df, aes(datetime, wind)) +
geom_line(color = "darkgreen") +
theme_minimal() +
labs(title = "Ветер (7 дней)", x = "", y = "m/s")

final_plot <- (plot_temp | plot_precip) / # Объединение графиков
(plot_cloud | plot_wind)

print(final_plot)

ggsave("moscow_weather_7days.png", # Сохранение картинки
final_plot,
width = 14,
height = 10)
</syntaxhighlight>
[[Файл:Таблица Погода.png|обрамить]]
[[Файл:График Погода.png|обрамить]]

[[Категория:BigDataWorks]]
[[Категория: RRecipe]]

Изучение изменения стоимости валют по данным ЦБ

2026-04-14T06:55:14Z

Vladislav Leontev:

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(patchwork)

options(encoding = "UTF-8")

url <- "https://www.cbr-xml-daily.ru/daily_json.js"
data <- fromJSON(content(GET(url), "text"))

valutes <- data$Valute # Извлекаем список валют из полученного объекта

df <- data.frame( # Создаём таблицу
CharCode = sapply(valutes, function(x) x$CharCode), # Код валюты (USD, EUR и т.д.)
Value = as.numeric(sapply(valutes, function(x) x$Value)), # Текущий курс валюты
Previous = as.numeric(sapply(valutes, function(x) x$Previous)) # Предыдущий курс валюты
)

df <- df[complete.cases(df), ] # Удаляем строки с пропущенными значениями

df$change_pct <- (df$Value - df$Previous) / df$Previous * 100 # Считаем процентное изменение курса валют
df <- df[is.finite(df$change_pct), ] # Удаляем бесконечные значения

popular <- c("USD","EUR","GBP","JPY","CNY", # Список основных валют для отдельного анализа
"CHF","CAD","AUD","NZD","SEK")

df_world <- df[df$CharCode %in% popular, ] # Фильтруем только мировые валюты
df_world$group <- "Мировые" # Добавляем метку группы

df_top <- df[!df$CharCode %in% popular, ] # Оставляем все валюты не из списка

df_up <- df_top[df_top$change_pct > 0, ] # Фильтруем валюты, которые выросли
df_up <- df_up[order(df_up$change_pct, decreasing = TRUE), ] # Сортируем по убыванию роста
df_up <- head(df_up, 10) # Берём топ-10 валют роста
df_up$group <- "Рост"

df_down <- df_top[df_top$change_pct < 0, ] # Фильтруем валюты, которые упали
df_down <- df_down[order(df_down$change_pct), ] # Сортируем по сильнейшему падению
df_down <- head(df_down, 10) # Берём топ-10 падений
df_down$group <- "Падение"

df_final <- rbind(df_world, df_up, df_down) # Объединяем мировые + рост + падение в одну таблицу

# График за день
plot_main <- ggplot(df_final, aes(
x = reorder(CharCode, change_pct), # Сортируем валюты по изменению
y = change_pct, # Значение по оси Y (% изменения)
fill = group # Цвет по группе
)) +

geom_col() + # Столбчатый график

geom_text( # Подписи значений на столбцах
aes(label = paste0(round(change_pct, 2), "%")),
vjust = -0.5,
size = 3
) +

scale_fill_manual(values = c( # Цвета для групп
"Мировые" = "gray60",
"Рост" = "green3",
"Падение" = "red3"
)) +

theme_minimal() +

labs( # Подписи графика
title = "Валютный рынок ЦБ РФ",
x = "Валюта",
y = "Изменение (%)",
fill = "Группа"
) +

expand_limits(y = max(df_final$change_pct) * 1.2) # Запас по оси Y, чтобы подписи не обрезались

currencies <- c("USD", "EUR", "CNY", "JPY", "GBP") # Список валют для анализа месяца
dates <- seq(Sys.Date() - 30, Sys.Date(), by = "day") # Создаём список дат за последние 30 дней

get_day_data <- function(date) { # Функция загрузки данных за конкретный день
url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text")) # Загружаем данные дня

data.frame( # Создаём таблицу по выбранным валютам
date = as.Date(date),
CharCode = currencies,
Value = sapply(currencies, function(x) data$Valute[[x]]$Value) # Берём значение каждой валюты
)
}, error = function(e) NULL) # Если ошибка
}

list_data <- lapply(dates, get_day_data) # Получаем данные за все дни
list_data <- Filter(Negate(is.null), list_data) # Удаляем пустые результаты

df_month <- do.call(rbind, list_data) # объединяем в один график
df_month <- df_month[complete.cases(df_month), ] # удаляем ненайденное

# График за месяц
plot_month <- ggplot(df_month, aes(
x = date, # Ось X — дата
y = Value, # Ось Y — курс валюты
color = CharCode, # Цвет линий по валюте
group = CharCode # Группировка линий
)) +

geom_line(linewidth = 1) + # Линия графика
geom_point(size = 1.5) + # Точки на линии

theme_minimal() +

labs( # Подписи
title = "Динамика валют за 30 дней",
x = "Дата",
y = "Курс к RUB",
color = "Валюта"
)

# Объединение графиков
final_plot <- plot_main / plot_month

print(final_plot) # Вывод на экран

ggsave("currency_dashboard_full.png", # Сохранение в PNG файл
final_plot,
width = 14,
height = 10)
</syntaxhighlight>
[[Файл:Таблица Валюты.png|обрамить]]
[[Файл:График Валюты.png|обрамить]]

[[Категория:BigDataWorks]]

Участник:Vladislav Leontev

2026-04-14T06:41:48Z

Vladislav Leontev:

{{UserMGPU
|Description=Студент группы ИНДОР-211.
|Field_of_knowledge=Математика, Информатика, Робототехника, Педагогика, Образование, Интернет вещей, Большие данные, Алгебра, Технология
|Position=Бакалавриат
|Profile=Информатика, Робототехника
|PedDirection=Да
|Working_On=Проект_Леонтьев_R, Проект_Леонтьев_R2
}}
[[Категория:ИНДОР-211]]
[[Категория:UserMGPU]]

Участник:Vladislav Leontev

2026-04-14T06:10:16Z

Vladislav Leontev:

{{UserMGPU
|Description=Студент группы ИНДОР-211.
|Field_of_knowledge=Математика, Информатика, Робототехника, Педагогика, Образование, Интернет вещей, Большие данные, Алгебра, Технология
|Position=Бакалавриат
|Profile=Информатика, Робототехника
|PedDirection=Да
}}
[[Категория:ИНДОР-211]]
[[Категория:UserMGPU]]

Изучение изменения стоимости валют по данным ЦБ

2026-04-13T23:05:19Z

Vladislav Leontev: Исправлено отображение картинок

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(patchwork)

options(encoding = "UTF-8")

url <- "https://www.cbr-xml-daily.ru/daily_json.js"
data <- fromJSON(content(GET(url), "text"))

valutes <- data$Valute # Извлекаем список валют из полученного объекта

df <- data.frame( # Создаём таблицу
CharCode = sapply(valutes, function(x) x$CharCode), # Код валюты (USD, EUR и т.д.)
Value = as.numeric(sapply(valutes, function(x) x$Value)), # Текущий курс валюты
Previous = as.numeric(sapply(valutes, function(x) x$Previous)) # Предыдущий курс валюты
)

df <- df[complete.cases(df), ] # Удаляем строки с пропущенными значениями

df$change_pct <- (df$Value - df$Previous) / df$Previous * 100 # Считаем процентное изменение курса валют
df <- df[is.finite(df$change_pct), ] # Удаляем бесконечные значения

popular <- c("USD","EUR","GBP","JPY","CNY", # Список основных валют для отдельного анализа
"CHF","CAD","AUD","NZD","SEK")

df_world <- df[df$CharCode %in% popular, ] # Фильтруем только мировые валюты
df_world$group <- "Мировые" # Добавляем метку группы

df_top <- df[!df$CharCode %in% popular, ] # Оставляем все валюты не из списка

df_up <- df_top[df_top$change_pct > 0, ] # Фильтруем валюты, которые выросли
df_up <- df_up[order(df_up$change_pct, decreasing = TRUE), ] # Сортируем по убыванию роста
df_up <- head(df_up, 10) # Берём топ-10 валют роста
df_up$group <- "Рост"

df_down <- df_top[df_top$change_pct < 0, ] # Фильтруем валюты, которые упали
df_down <- df_down[order(df_down$change_pct), ] # Сортируем по сильнейшему падению
df_down <- head(df_down, 10) # Берём топ-10 падений
df_down$group <- "Падение"

df_final <- rbind(df_world, df_up, df_down) # Объединяем мировые + рост + падение в одну таблицу

# График за день
plot_main <- ggplot(df_final, aes(
x = reorder(CharCode, change_pct), # Сортируем валюты по изменению
y = change_pct, # Значение по оси Y (% изменения)
fill = group # Цвет по группе
)) +

geom_col() + # Столбчатый график

geom_text( # Подписи значений на столбцах
aes(label = paste0(round(change_pct, 2), "%")),
vjust = -0.5,
size = 3
) +

scale_fill_manual(values = c( # Цвета для групп
"Мировые" = "gray60",
"Рост" = "green3",
"Падение" = "red3"
)) +

theme_minimal() +

labs( # Подписи графика
title = "Валютный рынок ЦБ РФ",
x = "Валюта",
y = "Изменение (%)",
fill = "Группа"
) +

expand_limits(y = max(df_final$change_pct) * 1.2) # Запас по оси Y, чтобы подписи не обрезались

currencies <- c("USD", "EUR", "CNY", "JPY", "GBP") # Список валют для анализа месяца
dates <- seq(Sys.Date() - 30, Sys.Date(), by = "day") # Создаём список дат за последние 30 дней

get_day_data <- function(date) { # Функция загрузки данных за конкретный день
url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text")) # Загружаем данные дня

data.frame( # Создаём таблицу по выбранным валютам
date = as.Date(date),
CharCode = currencies,
Value = sapply(currencies, function(x) data$Valute[[x]]$Value) # Берём значение каждой валюты
)
}, error = function(e) NULL) # Если ошибка
}

list_data <- lapply(dates, get_day_data) # Получаем данные за все дни
list_data <- Filter(Negate(is.null), list_data) # Удаляем пустые результаты

df_month <- do.call(rbind, list_data) # объединяем в один график
df_month <- df_month[complete.cases(df_month), ] # удаляем ненайденное

# График за месяц
plot_month <- ggplot(df_month, aes(
x = date, # Ось X — дата
y = Value, # Ось Y — курс валюты
color = CharCode, # Цвет линий по валюте
group = CharCode # Группировка линий
)) +

geom_line(linewidth = 1) + # Линия графика
geom_point(size = 1.5) + # Точки на линии

theme_minimal() +

labs( # Подписи
title = "Динамика валют за 30 дней",
x = "Дата",
y = "Курс к RUB",
color = "Валюта"
)

# Объединение графиков
final_plot <- plot_main / plot_month

print(final_plot) # Вывод на экран

ggsave("currency_dashboard_full.png", # Сохранение в PNG файл
final_plot,
width = 14,
height = 10)
</syntaxhighlight>
[[Файл:Таблица Валюты.png|обрамить]]
[[Файл:График Валюты.png|обрамить]]

Анализ погоды за последнюю неделю

2026-04-13T23:04:51Z

Vladislav Leontev:

Анализ погоды за последнюю неделю

2026-04-13T23:04:37Z

Vladislav Leontev:

Анализ погоды за последнюю неделю

2026-04-13T23:04:03Z

Vladislav Leontev: Новая страница: «<syntaxhighlight lang="r"> library(httr) library(jsonlite) library(ggplot2) library(dplyr) library(patchwork) options(encoding = "UTF-8") start_date <- as.character(Sys.Date() - 8) # Начало периода (7 дней назад) end_date <- as.character(Sys.Date() - 1) # Конец периода (вчера) url <- paste0( "https://archive-api.open-meteo.com/v1/archive?", "latitude=55.7558&longitude=37.6173", "&start_date=", start_date,...»

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(dplyr)
library(patchwork)

options(encoding = "UTF-8")

start_date <- as.character(Sys.Date() - 8) # Начало периода (7 дней назад)
end_date <- as.character(Sys.Date() - 1) # Конец периода (вчера)

url <- paste0(
"https://archive-api.open-meteo.com/v1/archive?",
"latitude=55.7558&longitude=37.6173",
"&start_date=", start_date,
"&end_date=", end_date,
"&hourly=temperature_2m,precipitation,cloudcover,windspeed_10m",
"&timezone=Europe/Moscow"
)

res <- GET(url) # Отправка запроса

stop_for_status(res) # Остановка, если ошибка

text <- content(res, "text", encoding = "UTF-8") # Извлекаем текст ответа
json <- fromJSON(text)

df <- data.frame(
datetime = json$hourly$time,
temp = json$hourly$temperature_2m,
precip = json$hourly$precipitation,
cloud = json$hourly$cloudcover,
wind = json$hourly$windspeed_10m
)

df$datetime <- as.POSIXct(df$datetime, format = "%Y-%m-%dT%H:%M", tz = "Europe/Moscow")

df$date <- as.Date(df$datetime) # Выделяем дату
df$hour <- format(df$datetime, "%H:%M") # Выделяем час

df_table <- df %>%
select(date, hour, temp, precip, cloud, wind) %>% # Выбираем нужные колонки
arrange(date, hour) # Сортировка по времени

print(head(df_table, 20)) # Вывод первых строк
View(df_table) # открытие таблицы

# Графики
plot_temp <- ggplot(df, aes(datetime, temp)) +
geom_line(color = "red") +
theme_minimal() +
labs(title = "Температура (7 дней)", x = "", y = "°C")

plot_precip <- ggplot(df, aes(datetime, precip)) +
geom_col(fill = "blue") +
theme_minimal() +
labs(title = "Осадки (7 дней)", x = "", y = "mm")

plot_cloud <- ggplot(df, aes(datetime, cloud)) +
geom_line(color = "gray40") +
theme_minimal() +
labs(title = "Облачность (7 дней)", x = "", y = "%")

plot_wind <- ggplot(df, aes(datetime, wind)) +
geom_line(color = "darkgreen") +
theme_minimal() +
labs(title = "Ветер (7 дней)", x = "", y = "m/s")

final_plot <- (plot_temp | plot_precip) / # Объединение графиков
(plot_cloud | plot_wind)

print(final_plot)

ggsave("moscow_weather_7days.png", # Сохранение картинки
final_plot,
width = 14,
height = 10)
</syntaxhighlight>
[[Файл:Таблица Погода.png|мини]]
[[Файл:График Погода.png|мини]]

Файл:График Погода.png

2026-04-13T23:03:40Z

Vladislav Leontev:

Графики изменений погоды за 7 дней

Файл:Таблица Погода.png

2026-04-13T23:01:18Z

Vladislav Leontev:

Таблица данных о погоде за 7 дней

Изучение изменения стоимости валют по данным ЦБ

2026-04-13T22:59:53Z

Vladislav Leontev: Дополнено

<syntaxhighlight lang="r">
library(httr)
library(jsonlite)
library(ggplot2)
library(patchwork)

options(encoding = "UTF-8")

url <- "https://www.cbr-xml-daily.ru/daily_json.js"
data <- fromJSON(content(GET(url), "text"))

valutes <- data$Valute # Извлекаем список валют из полученного объекта

df <- data.frame( # Создаём таблицу
CharCode = sapply(valutes, function(x) x$CharCode), # Код валюты (USD, EUR и т.д.)
Value = as.numeric(sapply(valutes, function(x) x$Value)), # Текущий курс валюты
Previous = as.numeric(sapply(valutes, function(x) x$Previous)) # Предыдущий курс валюты
)

df <- df[complete.cases(df), ] # Удаляем строки с пропущенными значениями

df$change_pct <- (df$Value - df$Previous) / df$Previous * 100 # Считаем процентное изменение курса валют
df <- df[is.finite(df$change_pct), ] # Удаляем бесконечные значения

popular <- c("USD","EUR","GBP","JPY","CNY", # Список основных валют для отдельного анализа
"CHF","CAD","AUD","NZD","SEK")

df_world <- df[df$CharCode %in% popular, ] # Фильтруем только мировые валюты
df_world$group <- "Мировые" # Добавляем метку группы

df_top <- df[!df$CharCode %in% popular, ] # Оставляем все валюты не из списка

df_up <- df_top[df_top$change_pct > 0, ] # Фильтруем валюты, которые выросли
df_up <- df_up[order(df_up$change_pct, decreasing = TRUE), ] # Сортируем по убыванию роста
df_up <- head(df_up, 10) # Берём топ-10 валют роста
df_up$group <- "Рост"

df_down <- df_top[df_top$change_pct < 0, ] # Фильтруем валюты, которые упали
df_down <- df_down[order(df_down$change_pct), ] # Сортируем по сильнейшему падению
df_down <- head(df_down, 10) # Берём топ-10 падений
df_down$group <- "Падение"

df_final <- rbind(df_world, df_up, df_down) # Объединяем мировые + рост + падение в одну таблицу

# График за день
plot_main <- ggplot(df_final, aes(
x = reorder(CharCode, change_pct), # Сортируем валюты по изменению
y = change_pct, # Значение по оси Y (% изменения)
fill = group # Цвет по группе
)) +

geom_col() + # Столбчатый график

geom_text( # Подписи значений на столбцах
aes(label = paste0(round(change_pct, 2), "%")),
vjust = -0.5,
size = 3
) +

scale_fill_manual(values = c( # Цвета для групп
"Мировые" = "gray60",
"Рост" = "green3",
"Падение" = "red3"
)) +

theme_minimal() +

labs( # Подписи графика
title = "Валютный рынок ЦБ РФ",
x = "Валюта",
y = "Изменение (%)",
fill = "Группа"
) +

expand_limits(y = max(df_final$change_pct) * 1.2) # Запас по оси Y, чтобы подписи не обрезались

currencies <- c("USD", "EUR", "CNY", "JPY", "GBP") # Список валют для анализа месяца
dates <- seq(Sys.Date() - 30, Sys.Date(), by = "day") # Создаём список дат за последние 30 дней

get_day_data <- function(date) { # Функция загрузки данных за конкретный день
url <- paste0(
"https://www.cbr-xml-daily.ru/archive/",
format(date, "%Y/%m/%d"),
"/daily_json.js"
)

tryCatch({
data <- fromJSON(content(GET(url), "text")) # Загружаем данные дня

data.frame( # Создаём таблицу по выбранным валютам
date = as.Date(date),
CharCode = currencies,
Value = sapply(currencies, function(x) data$Valute[[x]]$Value) # Берём значение каждой валюты
)
}, error = function(e) NULL) # Если ошибка
}

list_data <- lapply(dates, get_day_data) # Получаем данные за все дни
list_data <- Filter(Negate(is.null), list_data) # Удаляем пустые результаты

df_month <- do.call(rbind, list_data) # объединяем в один график
df_month <- df_month[complete.cases(df_month), ] # удаляем ненайденное

# График за месяц
plot_month <- ggplot(df_month, aes(
x = date, # Ось X — дата
y = Value, # Ось Y — курс валюты
color = CharCode, # Цвет линий по валюте
group = CharCode # Группировка линий
)) +

geom_line(linewidth = 1) + # Линия графика
geom_point(size = 1.5) + # Точки на линии

theme_minimal() +

labs( # Подписи
title = "Динамика валют за 30 дней",
x = "Дата",
y = "Курс к RUB",
color = "Валюта"
)

# Объединение графиков
final_plot <- plot_main / plot_month

print(final_plot) # Вывод на экран

ggsave("currency_dashboard_full.png", # Сохранение в PNG файл
final_plot,
width = 14,
height = 10)
</syntaxhighlight>
[[Файл:Таблица Валюты.png|мини]]
[[Файл:График Валюты.png|мини]]

Файл:График Валюты.png

2026-04-13T22:57:33Z

Vladislav Leontev:

График изменения стоимости различных валют

Файл:Таблица Валюты.png

2026-04-13T22:56:10Z

Vladislav Leontev:

Таблица данных о стоимости валют

Участник:Vladislav Leontev

2024-10-06T13:03:15Z

Vladislav Leontev:

[[Категория:ИНДОР-211]]
[[Категория:UserMGPU]]

Участник:Vladislav Leontev

2024-09-07T10:03:28Z

Vladislav Leontev: Новая страница: «{{UserMGPU |Field_of_knowledge=Информатика, Робототехника |Environment=Lego Mindstorms, Кулибин, Lego WeDo }} ---- Категория:ИНДОР-211 Категория:UserMGPU»

{{UserMGPU
|Field_of_knowledge=Информатика, Робототехника
|Environment=Lego Mindstorms, Кулибин, Lego WeDo
}}
----
[[Категория:ИНДОР-211]]
[[Категория:UserMGPU]]