Quantiles mobiles pour la qualité de l'air quotidienne à NYC

Dans la dernière vidéo, vous avez vu comment calculer des quantiles mobiles pour décrire l'évolution de la dispersion d'une série chronologique au fil du temps, d'une façon moins sensible aux valeurs aberrantes que l'utilisation de la moyenne et de l'écart type.

Calculons des quantiles mobiles — à 10 %, 50 % (médiane) et 90 % — de la distribution de la concentration moyenne quotidienne d'ozone à NYC en utilisant une fenêtre mobile de 360 jours.

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. Nous avons aussi chargé les données d'ozone de 2000 à 2017 dans la variable data.

Appliquez .resample() avec la fréquence quotidienne 'D' à data, puis appliquez .interpolate() pour combler les valeurs manquantes, et réassignez à data.
Inspectez le résultat avec .info().
Créez une fenêtre .rolling() de 360 périodes, sélectionnez la colonne 'Ozone', et assignez le résultat à rolling.
Insérez trois nouvelles colonnes, 'q10', 'q50' et 'q90' dans data, en calculant les quantiles correspondants à partir de rolling.
Tracez data.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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

Modifier et exécuter le code