Скользящие квантили для ежедневного качества воздуха в Нью-Йорке

В предыдущем видео вы узнали, как вычислять скользящие квантили, чтобы описывать изменения в разбросе временного ряда — причём этот подход менее чувствителен к выбросам, чем использование среднего и стандартного отклонения.

Давайте вычислим скользящие квантили — 10%, 50% (медиана) и 90% — распределения среднесуточной концентрации озона в Нью-Йорке, используя скользящее окно в 360 дней.

Это упражнение является частью курса

Работа с временными рядами в Python

Посмотреть курс

Инструкции к упражнению

Библиотеки pandas и matplotlib.pyplot уже импортированы как pd и plt. Данные об озоне за 2000–2017 годы загружены в переменную data.

Примените .resample() с дневной частотой 'D' к data, затем примените .interpolate() для заполнения пропущенных значений и сохраните результат обратно в data.
Проверьте результат с помощью .info().
Создайте скользящее окно .rolling() на 360 периодов, выберите столбец 'Ozone' и присвойте результат переменной rolling.
Добавьте в data три новых столбца — 'q10', 'q50' и 'q90' — вычислив соответствующие квантили из rolling.
Постройте график data.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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

Редактировать и запускать код