Gebruik interpolatie om wekelijkse werkgelegenheidsdata te maken

Je hebt onlangs het civiele Amerikaanse werkloosheidspercentage gebruikt en dit omgezet van maand- naar weekfrequentie met eenvoudige forward- of backfill-methoden.

Vergelijk je eerdere aanpak met de nieuwe methode .interpolate() die je in deze video hebt geleerd.

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 voor je geïmporteerd. We hebben ook het maandelijkse werkloosheidspercentage van 2010 tot 2016 geladen in een variabele monthly.

Inspecteer monthly met .info().
Maak een pd.date_range() met wekelijkse datums, waarbij je de .min() en .max() van de index van monthly respectievelijk als start en end gebruikt, en wijs het resultaat toe aan weekly_dates.
Pas .reindex() met weekly_dates toe op monthly en wijs de uitvoer toe aan weekly.
Maak nieuwe kolommen 'ffill' en 'interpolated' door .ffill() en .interpolate() toe te passen op weekly.UNRATE.
Toon een plot van weekly.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Inspect data here
print(____)

# Create weekly dates
weekly_dates = ____

# Reindex monthly to weekly data
weekly = ____

# Create ffill and interpolated columns
weekly['ffill'] = ____
weekly['interpolated'] = ____

# Plot weekly

Code bewerken en uitvoeren