Imputacja metodą interpolate
Dane szeregów czasowych charakteryzują się trendami wzrostów i spadków w czasie. Wypełnianie brakujących wartości płaską serią za pomocą metod takich jak forward fill czy backward fill nie jest w tym przypadku odpowiednie. Lepszym rozwiązaniem jest użycie interpolacji liniowej lub kwadratowej, gdzie wartości są uzupełniane przez stopniowe zwiększanie lub zmniejszanie.
W tym ćwiczeniu skorzystasz z metody .interpolate() na DataFrame airquality. Wypróbujesz metody liniową, kwadratową i najbliższego sąsiada. Szczegółową listę dostępnych strategii interpolacji znajdziesz tutaj.
To ćwiczenie jest częścią kursu
Braki danych w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Print prior to interpolation
print(airquality[30:40])
# Interpolate the NaNs linearly
airquality.interpolate(___, inplace=True)
# Print after interpolation
print(airquality[30:40])