Médiane et écart-type mobiles sur 360 jours pour les données d'ozone de New York depuis 2000

La dernière vidéo vous a aussi montré comment calculer plusieurs statistiques mobiles avec la méthode .agg(), un peu comme avec .groupby().

Examinons de plus près l'historique de la qualité de l'air à New York à partir des données d'ozone que vous avez déjà vues. Les données quotidiennes sont très volatiles, donc une moyenne mobile à plus long terme peut aider à faire ressortir une tendance de fond.

Vous utiliserez une fenêtre mobile de 360 jours et .agg() pour calculer la moyenne et l'écart-type mobiles des valeurs quotidiennes moyennes d'ozone depuis 2000.

Cette activité fait partie du cours

Manipuler des séries chronologiques en Python

Voir le cours

Instructions de l’exercice

Nous avons déjà importé pandas sous le nom pd, et matplotlib.pyplot sous le nom plt.

Utilisez pd.read_csv() pour importer 'ozone.csv', créez un DateTimeIndex à partir de la colonne 'date' avec parse_dates et index_col, assignez le résultat à data, puis supprimez les valeurs manquantes avec .dropna().
Sélectionnez la colonne 'Ozone' et créez une fenêtre .rolling() de 360 périodes, appliquez .agg() pour calculer mean et std, et assignez le tout à rolling_stats.
Utilisez .join() pour concaténer data avec rolling_stats, et assignez le résultat à stats.
Tracez stats en utilisant subplots.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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

Modifier et exécuter le code