Rellenar datos faltantes en series temporales
Imputar datos de series temporales requiere un tratamiento específico. Las series temporales suelen tener características particulares como tendencia, estacionalidad y ciclicidad, que podemos aprovechar al imputar valores faltantes. En el DataFrame airquality puedes observar estas características. Tu objetivo es imputar los valores teniendo en cuenta dichas características.
En este ejercicio, probarás el método .fillna() para imputar datos de series temporales. Usarás las estrategias de relleno hacia adelante (forward fill) y hacia atrás (backward fill) para imputar datos de series temporales.
Este ejercicio forma parte del curso
Cómo tratar datos faltantes en Python
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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])