Compléter les données temporelles manquantes
L’imputation de séries temporelles nécessite un traitement spécifique. Les séries temporelles présentent souvent des caractéristiques particulières comme la tendance, la saisonnalité et la cyclicité, dont nous pouvons tirer parti pour imputer les valeurs manquantes. Dans le DataFrame airquality, vous pouvez observer ces caractéristiques. Votre objectif est d’imputer les valeurs en tenant compte de ces éléments.
Dans cet exercice, vous allez utiliser la méthode .fillna() pour imputer des données de séries temporelles. Vous utiliserez les stratégies de propagation en avant (forward fill) et de propagation en arrière (backward fill) pour l’imputation sur séries temporelles.
Cet exercice fait partie du cours
Gérer les données manquantes en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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])