Compilare i dati mancanti nelle serie temporali
L'imputazione dei dati nelle serie temporali richiede un trattamento specifico. Le serie temporali presentano spesso caratteristiche particolari come trend, stagionalità e ciclicità, che possiamo sfruttare quando imputiamo i valori mancanti. Nel DataFrame airquality, puoi osservare queste caratteristiche. Il tuo obiettivo è imputare i valori tenendo conto di queste caratteristiche.
In questo esercizio, proverai a usare il metodo .fillna() per imputare dati di serie temporali. Userai le strategie di forward fill e backward fill per l'imputazione delle serie temporali.
Questo esercizio fa parte del corso
Gestire i dati mancanti in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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])