Заполнение пропусков в данных временного ряда
Импутация данных временного ряда требует особого подхода. Такие данные обладают характерными свойствами: трендом, сезонностью и цикличностью — и всё это можно использовать при заполнении пропущенных значений. В датафрейме airquality эти свойства хорошо прослеживаются. Ваша задача — заполнить пропуски так, чтобы сохранить эти характеристики.
В этом упражнении вы воспользуетесь методом .fillna() для импутации данных временного ряда. Попробуйте стратегии прямого и обратного заполнения.
Это упражнение является частью курса
Работа с пропущенными данными в Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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])