Обработка пропущенных значений

В главе 3 вы использовали na.locf(), чтобы заполнить пропущенные значения последним известным значением. Однако перенос предыдущего значения вперёд подходит не всегда — в таких случаях лучше применить интерполяцию. В этом упражнении вы познакомитесь с двумя методами: линейной интерполяцией и сплайн-интерполяцией.

Линейная интерполяция рассчитывает значения, лежащие на прямой между двумя известными точками данных. Это хороший выбор для данных с выраженным трендом. Сплайн-интерполяция больше подходит для рядов без чёткого тренда: она строит нелинейное приближение, используя несколько точек данных.

Примените оба метода, чтобы восстановить три пропущенных значения доходности 10-летних казначейских облигаций в объекте DGS10. Затем сравните результаты с тем, что возвращает na.locf().

Это упражнение является частью курса

Импорт и управление финансовыми данными в R

Посмотреть курс

Инструкции к упражнению

Дополните команду, чтобы использовать na.approx() для заполнения пропущенных значений методом линейной интерполяции.
Дополните команду, чтобы использовать na.spline() для заполнения пропущенных значений методом сплайн-интерполяции.
Объедините locf, approx и spline в один объект с именем na_filled.
Дополните команду для построения графика na_filled.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# fill NA using last observation carried forward
locf <- na.locf(DGS10)

# fill NA using linear interpolation
approx <- ___(DGS10)

# fill NA using spline interpolation
spline <- ___(DGS10)

# merge into one object


# plot combined object
___(___, col = c("black", "red", "green"))

Редактировать и запускать код