Vergelijk wekelijkse, maandelijkse en jaarlijkse ozontrends voor NYC & LA

In de video heb je gezien hoe je tijdreeksen over luchtkwaliteit kunt downsamplen en aggregeren.

Je past deze nieuwe vaardigheid eerst toe op ozongegevens voor zowel NYC als LA sinds 2000 om de trend in de luchtkwaliteit op wekelijkse, maandelijkse en jaarlijkse frequenties te vergelijken en te verkennen hoe verschillende resamplingperioden de visualisatie beïnvloeden.

Deze oefening maakt deel uit van de cursus

Tijdreeksgegevens manipuleren in Python

Cursus bekijken

Oefeninstructies

We hebben pandas als pd en matplotlib.pyplot als plt alweer voor je geïmporteerd.

Gebruik pd.read_csv() om 'ozone.csv' te importeren en stel een DateTimeIndex in op basis van de kolom 'date' met behulp van parse_dates en index_col. Ken het resultaat toe aan ozone en inspecteer met .info().
Pas .resample() met wekelijkse frequentie ('W') toe op ozone, aggregeer met .mean() en plot het resultaat.
Herhaal dit met maandelijkse ('M') en jaarlijkse ('A') frequenties en plot elk resultaat.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import and inspect data here
ozone = ____


# Calculate and plot the weekly average ozone trend



# Calculate and plot the monthly average ozone trend



# Calculate and plot the annual average ozone trend

Code bewerken en uitvoeren