Jämför veckovisa, månatliga och årliga ozontrender för NYC och LA

I videon såg du hur man nedsamplar och aggregerar tidsserier för luftkvalitet.

Nu ska du använda den nya kunskapen på ozondata för både NYC och LA sedan år 2000. Målet är att jämföra luftkvalitetstrender på vecko-, månads- och årsbasis och undersöka hur olika omsamplingsperioder påverkar visualiseringen.

Den här övningen är en del av kursen

Manipulera tidsseriedata i Python

Visa kurs

Övningsinstruktioner

Vi har återigen importerat pandas som pd och matplotlib.pyplot som plt åt dig.

Använd pd.read_csv() för att importera 'ozone.csv' och sätt ett DateTimeIndex baserat på kolumnen 'date' med hjälp av parse_dates och index_col. Tilldela resultatet till ozone och inspektera det med .info().
Använd .resample() med veckovis frekvens ('W') på ozone, aggregera med .mean() och plotta resultatet.
Upprepa med månatlig ('M') respektive årlig ('A') frekvens och plotta varje resultat.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import and inspect data here
ozone = ____


# Calculate and plot the weekly average ozone trend



# Calculate and plot the monthly average ozone trend



# Calculate and plot the annual average ozone trend

Redigera och kör kod