Remplir les données temporelles manquantes
L'imputation de données de séries temporelles demande un traitement spécialisé. Les séries temporelles présentent souvent des caractéristiques particulières comme la tendance, la saisonnalité et la cyclicité, que l'on peut exploiter pour imputer les valeurs manquantes. Dans le DataFrame airquality, vous pouvez observer ces caractéristiques. Votre objectif est d'imputer les valeurs de façon à en tenir compte.
Dans cet exercice, vous allez utiliser la méthode .fillna() pour imputer des données de séries temporelles. Vous emploierez les stratégies de propagation vers l'avant (forward fill) et vers l'arrière (backward fill) pour l'imputation des séries temporelles.
Cette activité fait partie du cours
Gérer les données manquantes avec Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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])