Rollende Quantile für die tägliche Luftqualität in NYC

Im letzten Video hast du gelernt, wie man rollende Quantile berechnet, um Veränderungen in der Streuung einer Zeitreihe im Zeitverlauf zu beschreiben – weniger anfällig für Ausreißer als Mittelwert und Standardabweichung.

Lass uns rollende Quantile – bei 10 %, 50 % (Median) und 90 % – der Verteilung der täglichen durchschnittlichen Ozonkonzentration in NYC mit einem rollenden 360-Tage-Fenster 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. Außerdem haben wir die Ozon-Daten von 2000–2017 in die Variable data geladen.

Wende .resample() mit täglicher Frequenz 'D' auf data an und nutze .interpolate() zum Auffüllen fehlender Werte; weise das Ergebnis wieder data zu.
Prüfe das Ergebnis mit .info().
Erzeuge ein .rolling()-Fenster mit 360 Perioden, wähle die Spalte 'Ozone' aus und weise das Ergebnis rolling zu.
Füge drei neue Spalten 'q10', 'q50' und 'q90' in data ein, indem du die entsprechenden Quantile aus rolling berechnest.
Zeichne data als Plot.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Resample, interpolate and inspect ozone data here
data = ____


# Create the rolling window
rolling = ____

# Insert the rolling quantiles to the monthly returns
data['q10'] = ____
data['q50'] = ____
data['q90'] = ____

# Plot the data

Code bearbeiten und ausführen