欠損した時系列データの補完
時系列データの補完には、専用の扱いが必要です。時系列データには一般に、トレンド、季節性、循環性といった特徴があり、欠損値の補完に活用できます。airquality DataFrame でも、これらの特徴を観察できます。目的は、これらの特徴を考慮したうえで値を補完することです。
この演習では、.fillna() メソッドを使って時系列データを補完してみます。時系列データの補完として、前方埋め（forward fill）と後方埋め（backward fill）の手法を使います。
この演習はコースの一部です
Pythonで欠損データに対処する
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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])