Použití interpolace k vytvoření týdenních dat o zaměstnanosti

V předchozích lekcích jsi pracoval/a s mírou nezaměstnanosti v USA a převáděl/a ji z měsíční na týdenní frekvenci pomocí jednoduchých metod forward fill nebo backfill.

Porovnej tento přístup s novou metodou .interpolate(), kterou jsi poznal/a v tomto videu.

Toto cvičení je součástí kurzu

Manipulace s časovými řadami v Pythonu

Zobrazit kurz

Pokyny k cvičení

Knihovny pandas jako pd a matplotlib.pyplot jako plt jsou již naimportované. Do proměnné monthly jsme také načetli měsíční míru nezaměstnanosti za období 2010–2016.

Prozkoumej monthly pomocí .info().
Vytvoř pd.date_range() s týdenními daty – jako start a end použij .min() a .max() indexu monthly – a výsledek ulož do weekly_dates.
Aplikuj .reindex() s argumentem weekly_dates na monthly a výsledek ulož do weekly.
Vytvoř nové sloupce 'ffill' a 'interpolated' tak, že na weekly.UNRATE aplikuješ .ffill() a .interpolate().
Zobraz graf proměnné weekly.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Inspect data here
print(____)

# Create weekly dates
weekly_dates = ____

# Reindex monthly to weekly data
weekly = ____

# Create ffill and interpolated columns
weekly['ffill'] = ____
weekly['interpolated'] = ____

# Plot weekly

Upravit a spustit kód