Rolling gemiddelde luchtkwaliteit sinds 2010 voor New York City

De vorige video ging over rolling window-functies. Om met dit nieuwe hulpmiddel te oefenen, ga je aan de slag met luchtkwaliteitstrends voor New York City sinds 2010. Je gebruikt hiervoor de dagelijkse ozonconcentraties van de Environmental Protection Agency om het 90- en 360-daags rolling gemiddelde te berekenen en te plotten.

Deze oefening maakt deel uit van de cursus

Tijdreeksgegevens manipuleren in Python

Cursus bekijken

Oefeninstructies

We hebben pandas al geïmporteerd als pd en matplotlib.pyplot als plt.

Gebruik pd.read_csv() om 'ozone.csv' te importeren, maak een DateTimeIndex van de kolom 'date' met parse_dates en index_col, en wijs het resultaat toe aan data.
Voeg de kolommen '90D' en '360D' toe met respectievelijk het 90- en 360-daags rolling kalenderdag-.mean() voor de kolom 'Ozone'.
Plot data vanaf 2010 en zet 'New York City' als title.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import and inspect ozone data here
data = ____
print(____)

# Calculate 90d and 360d rolling mean for the last price
data['90D'] = ____
data['360D'] = ____

# Plot data

Code bewerken en uitvoeren