Krocząca mediana i odchylenie standardowe z oknem 360 dni dla danych o ozonie w Nowym Jorku od 2000 roku

W ostatnim filmie pokazano również, jak obliczać kilka kroczących statystyk za pomocą metody .agg(), podobnie jak w przypadku .groupby().

Przyjrzyjmy się bliżej historii jakości powietrza w Nowym Jorku na podstawie danych o ozonie, które już wcześniej widziałeś(-aś). Dane dobowe są bardzo zmienne, dlatego długoterminowa krocząca średnia może pomóc ujawnić długoterminowy trend.

Skorzystasz z kroczącego okna o szerokości 360 dni oraz metody .agg(), aby obliczyć kroczącą średnią i odchylenie standardowe dobowych średnich stężeń ozonu od roku 2000.

To ćwiczenie jest częścią kursu

Manipulowanie danymi szeregów czasowych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Biblioteki pandas jako pd oraz matplotlib.pyplot jako plt zostały już zaimportowane.

Użyj pd.read_csv(), aby wczytać plik 'ozone.csv', tworząc DateTimeIndex z kolumny 'date' za pomocą parse_dates i index_col. Wynik przypisz do zmiennej data, a następnie usuń brakujące wartości za pomocą .dropna().
Wybierz kolumnę 'Ozone', utwórz okno .rolling() o szerokości 360 okresów, zastosuj .agg() do obliczenia mean i std, a wynik przypisz do rolling_stats.
Użyj .join(), aby połączyć data z rolling_stats, i przypisz wynik do stats.
Wykreśl stats, używając subplots.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import and inspect ozone data here
data = ____

# Calculate the rolling mean and std here
rolling_stats = ____

# Join rolling_stats with ozone data
stats = ____

# Plot stats

Edytuj i uruchom kod