Preenchendo dados ausentes em séries temporais
Imputar dados de séries temporais exige um tratamento especializado. Séries temporais geralmente têm características como tendência, sazonalidade e ciclicidade, que podemos explorar ao imputar valores ausentes. No DataFrame airquality, você consegue observar essas características. Seu objetivo é imputar os valores de forma que essas características sejam consideradas.
Neste exercício, você vai usar o método .fillna() para imputar dados de séries temporais. Você usará as estratégias de preenchimento para frente (forward fill) e para trás (backward fill) para imputar séries temporais.
Este exercício faz parte do curso
Lidando com Dados Ausentes em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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])