Wizualizacja interpolacji

Tworzenie wykresów porównawczych dla różnych technik imputacji jest kluczowe, by ocenić, która z nich sprawdza się najlepiej. W tym ćwiczeniu napiszesz pętlę for, która wygeneruje wykresy dla kilku technik imputacji. Zwizualizujesz wyniki interpolacji wykonanych w poprzedniej lekcji: interpolację liniową, kwadratową i metodą najbliższego sąsiada.

Trzy ramki danych, nazwane zgodnie z zastosowaną techniką imputacji, zostały już zaimportowane: linear_interp, quadratic_interp i nearest_interp.

To ćwiczenie jest częścią kursu

Braki danych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz 3 wykresy cząstkowe (subplots) – po jednym dla każdej techniki interpolacji.
Utwórz słownik interpolations, przypisując ramki danych linear_interp, quadratic_interp i nearest_interp do odpowiadających im technik interpolacji.
Wykonaj iterację po axes i interpolations.
Dla każdej ramki danych w słowniku interpolations wybierz odpowiednią ramkę i ustaw jej tytuł, używając df_key.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()

Edytuj i uruchom kod