Rollierende 360-Tage-Median- und Standardabweichung für NYC-Ozon-Daten seit 2000

Im letzten Video hast du auch gesehen, wie du mit der Methode .agg() mehrere rollierende Statistiken berechnest, ähnlich wie mit .groupby().

Schauen wir uns die Luftqualitätsgeschichte von NYC anhand der Ozon-Daten, die du bereits gesehen hast, genauer an. Die Tagesdaten sind sehr volatil, daher kann ein längerfristiger rollierender Durchschnitt helfen, einen langfristigen Trend sichtbar zu machen.

Du verwendest ein 360-Tage-Fenster und .agg(), um den rollierenden Mittelwert und die Standardabweichung für die täglichen durchschnittlichen Ozonwerte seit 2000 zu berechnen.

Diese Übung ist Teil des Kurses

Zeitreihen in Python bearbeiten

Kurs anzeigen

Anleitung zur Übung

Wir haben pandas bereits als pd und matplotlib.pyplot als plt importiert.

Verwende pd.read_csv(), um 'ozone.csv' zu importieren, erstelle mit parse_dates und index_col aus der Spalte 'date' einen DateTimeIndex, weise das Ergebnis data zu und entferne fehlende Werte mit .dropna().
Wähle die Spalte 'Ozone' aus, erstelle ein .rolling()-Fenster mit 360 Perioden, wende .agg() an, um mean und std zu berechnen, und weise das Ergebnis rolling_stats zu.
Verwende .join(), um data mit rolling_stats zu verketten, und weise das Ergebnis stats zu.
Plotte stats mit subplots.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import and inspect ozone data here
data = ____

# Calculate the rolling mean and std here
rolling_stats = ____

# Join rolling_stats with ozone data
stats = ____

# Plot stats

Code bearbeiten und ausführen