Uzupełnianie brakujących danych szeregów czasowych
Imputacja danych szeregów czasowych wymaga specjalnego podejścia. Dane szeregów czasowych mają zwykle charakterystyczne cechy, takie jak trend, sezonowość i cykliczność – można je wykorzystać podczas uzupełniania brakujących wartości. W ramce danych airquality możesz zaobserwować te właściwości. Twoim celem jest imputacja wartości w taki sposób, aby uwzględnić te charakterystyki.
W tym ćwiczeniu spróbujesz użyć metody .fillna() do imputacji danych szeregów czasowych. Skorzystasz ze strategii wypełniania w przód i wypełniania wstecz.
To ćwiczenie jest częścią kursu
Braki danych w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Print prior to imputing missing values
print(airquality[30:40])
# Fill NaNs using forward fill
airquality.___(___, inplace=True)
# Print after imputing missing values
print(airquality[30:40])