Tracer les interpolations

Tracer des graphiques comparatifs des imputations est essentiel pour déterminer la meilleure technique d'imputation. Dans cet exercice, vous allez créer une boucle for pour générer des graphiques pour plusieurs techniques d'imputation. Vous allez produire les graphiques des imputations réalisées dans la leçon précédente, c'est-à-dire les techniques d'interpolation linéaire, quadratique et au plus proche voisin.

Trois DataFrames nommés d'après leur technique d'imputation ont déjà été importés pour vous : linear_interp, quadratic_interp et nearest_interp.

Cette activité fait partie du cours

Gérer les données manquantes avec Python

Voir le cours

Instructions de l’exercice

Créez 3 sous-graphiques pour chaque technique d'imputation.
Créez le dictionnaire interpolations en associant les DataFrames linear_interp, quadratic_interp et nearest_interp à la technique d'interpolation appropriée.
Itérez sur axes et interpolations.
Sélectionnez chaque DataFrame dans interpolations et définissez le titre d'un DataFrame à l'aide de df_key.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Set nrows to 3 and ncols to 1
fig, axes = plt.subplots(___, ___, figsize=(30, 20))

# Create a dictionary of interpolated DataFrames for looping 
interpolations = {'Linear Interpolation': ___, 'Quadratic Interpolation': ___, 
                  'Nearest Interpolation': ___}

# Loop over axes and interpolations
for ax, df_key in zip(___, ___):
  # Select and also set the title for a DataFrame
  interpolations[___].Ozone.plot(color='red', marker='o', linestyle='dotted', ax=ax)
  airquality.Ozone.plot(title=___ + ' - Ozone', marker='o', ax=ax)
  
plt.show()

Modifier et exécuter le code