谷歌趋势返回每周数据，所以我必须找到一种方法将它们与我的每日/每月数据合并。
到目前为止，我所做的是将每个系列分解为每日数据，例如：
从：
2013-03-03 - 2013-03-09 37
到：
2013-03-03 37 2013-03-04 37 2013-03-05 37 2013-03-06 37 2013-03-07 37 2013-03-08 37 2013-03-09 37
但这给我的问题增加了很多复杂性。我试图根据过去 6 个月的值或每月数据中的 6 个值来预测谷歌搜索。每日数据意味着对 180 个过去值的工作。（我有 10 年的数据，所以每月数据 120 点/每周数据 500+/每日数据 3500+）
另一种方法是在每周/每月数据中“合并”每日数据。但是这个过程会产生一些问题。一些数据可以被平均，因为它们的总和代表了一些东西。以降雨为例，给定一周的降雨量将是组成这些周的每一天的降雨量的总和。
就我而言，我正在处理价格、财务利率和其他事情。对于价格，在我的领域中通常会考虑交易量，因此每周数据将是加权平均值。对于财务费率，它有点复杂，因为涉及到一些公式来根据每日费率建立每周费率。对于其他事情，我不知道潜在的属性。我认为这些属性对于避免无意义的指标很重要（例如，平均财务利率是无意义的）。
所以三个问题：
对于已知和未知的属性，我应该如何从每日数据变为每周/每月数据？
我觉得像我所做的那样将每周/每月数据分解为每日数据有些错误，因为我引入了在现实生活中没有意义的数量。所以几乎相同的问题：
对于已知和未知的属性，我应该如何从每周/每月数据转到每日数据？
最后但同样重要的是：当给定两个具有不同时间步长的时间序列时，哪个更好：使用最低或最大时间步长？我认为这是数据数量和模型复杂性之间的折衷方案，但我看不出有任何强有力的论据可以在这些选项之间进行选择。
编辑：如果您知道一个工具（在 R Python 甚至 Excel 中）可以轻松完成，我们将不胜感激。