Fylla i saknade tidsseriedata
Imputering av tidsseriedata kräver ett specialiserat tillvägagångssätt. Tidsseriedata har ofta särskilda egenskaper som trend, säsongsvariation och cykliskhet – egenskaper som vi kan utnyttja när vi imputerar saknade värden. I DataFrame:n airquality kan du observera dessa karakteristika. Målet är att imputera värdena på ett sätt som tar hänsyn till dessa egenskaper.
I den här övningen använder du metoden .fillna() för att imputera tidsseriedata. Du provar strategierna framåtfyllning och bakåtfyllning för att hantera saknade värden i tidsserien.
Den här övningen är en del av kursen
Hantera saknade värden i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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])