Doplňování chybějících hodnot v časových řadách
Imputace časových řad vyžaduje zvláštní přístup. Data v časových řadách mají obvykle specifické vlastnosti, jako je trend, sezónnost a cykličnost – a právě těch můžeme využít při doplňování chybějících hodnot. V DataFrame airquality tyto vlastnosti sám uvidíš. Tvým cílem je imputovat hodnoty tak, aby byly tyto charakteristiky zohledněny.
V tomto cvičení použiješ metodu .fillna() k imputaci dat časové řady. Vyzkoušíš strategii dopředného doplňování (forward fill) i zpětného doplňování (backward fill).
Toto cvičení je součástí kurzu
Dealing with Missing Data in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Print prior to imputing missing values
print(airquality[30:40])
# Fill NaNs using forward fill
airquality.___(___, inplace=True)
# Print after imputing missing values
print(airquality[30:40])