Fehlende Zeitreihendaten füllen
Das Imputieren von Zeitreihendaten erfordert eine spezielle Behandlung. Zeitreihen weisen oft Besonderheiten wie Trend, Saisonalität und Zyklizität auf, die wir beim Ersetzen fehlender Werte ausnutzen können. Im DataFrame airquality kannst du diese Merkmale beobachten. Dein Ziel ist es, die Werte so zu imputieren, dass diese Eigenschaften berücksichtigt werden.
In dieser Übung probierst du die Methode .fillna() aus, um Zeitreihendaten zu imputieren. Du verwendest Forward Fill und Backward Fill als Strategien für die Imputation von Zeitreihen.
Diese Übung ist Teil des Kurses
<Kurs>Umgang mit fehlenden Daten in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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])