Quantis móveis para a qualidade do ar diária em NYC

No último vídeo, você aprendeu a calcular quantis móveis para descrever mudanças na dispersão de uma série temporal ao longo do tempo, de uma forma menos sensível a outliers do que usar a média e o desvio padrão.

Vamos calcular quantis móveis — em 10%, 50% (mediana) e 90% — da distribuição da concentração média diária de ozônio em NYC usando uma janela móvel de 360 dias.

Este exercício faz parte do curso

Manipulando dados de séries temporais em Python

Ver curso

Instruções do exercício

Nós já importamos pandas como pd e matplotlib.pyplot como plt. Também carregamos os dados de ozônio de 2000–2017 na variável data.

Aplique .resample() com frequência diária 'D' a data e aplique .interpolate() para preencher valores ausentes, e reatribua a data.
Inspecione o resultado usando .info().
Crie uma janela com .rolling() usando 360 períodos, selecione a coluna 'Ozone' e atribua o resultado a rolling.
Insira três novas colunas, 'q10', 'q50' e 'q90' em data, calculando os quantis respectivos a partir de rolling.
Faça o gráfico de data.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Resample, interpolate and inspect ozone data here
data = ____


# Create the rolling window
rolling = ____

# Insert the rolling quantiles to the monthly returns
data['q10'] = ____
data['q50'] = ____
data['q90'] = ____

# Plot the data

Editar e executar o código