Interpolaties plotten

Vergelijkende grafieken maken voor de imputaties is essentieel om de beste imputationstechniek te bepalen. In deze oefening maak je een for-lus om plots te genereren voor meerdere imputationstechnieken. Je maakt de plots van de imputaties die je in de vorige les hebt uitgevoerd: de lineaire, kwadratische en dichtstbijzijnde interpolatietechnieken.

Drie DataFrames, genoemd naar hun imputationstechniek, zijn al voor je geïmporteerd: linear_interp, quadratic_interp en nearest_interp.

Deze oefening maakt deel uit van de cursus

Omgaan met ontbrekende gegevens in Python

Cursus bekijken

Oefeninstructies

Maak 3 subplots, één voor elke imputationstechniek.
Maak het woordenboek interpolations door de DataFrames linear_interp, quadratic_interp en nearest_interp te koppelen aan de juiste interpolatietechniek.
Loop over axes en interpolations.
Selecteer elk DataFrame in interpolations en stel de titel voor een DataFrame in met df_key.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Set nrows to 3 and ncols to 1
fig, axes = plt.subplots(___, ___, figsize=(30, 20))

# Create a dictionary of interpolated DataFrames for looping 
interpolations = {'Linear Interpolation': ___, 'Quadratic Interpolation': ___, 
                  'Nearest Interpolation': ___}

# Loop over axes and interpolations
for ax, df_key in zip(___, ___):
  # Select and also set the title for a DataFrame
  interpolations[___].Ozone.plot(color='red', marker='o', linestyle='dotted', ax=ax)
  airquality.Ozone.plot(title=___ + ' - Ozone', marker='o', ax=ax)
  
plt.show()

Code bewerken en uitvoeren