Använd interpolation för att skapa veckovis sysselsättningsdata

Du har nyligen arbetat med den civila arbetslöshetsgraden i USA och konverterat den från månadsvis till veckovis frekvens med hjälp av enkla metoder som forward eller backfill.

Jämför ditt tidigare tillvägagångssätt med den nya .interpolate()-metoden som du lärde dig om i den här videon.

Den här övningen är en del av kursen

Manipulera tidsseriedata i Python

Visa kurs

Övningsinstruktioner

Vi har importerat pandas som pd och matplotlib.pyplot som plt åt dig. Vi har också läst in den månadsvisa arbetslöshetsgraden från 2010 till 2016 i variabeln monthly.

Inspektera monthly med .info().
Skapa ett pd.date_range() med veckodatum och använd .min() och .max() på index för monthly som start respektive end, och tilldela resultatet till weekly_dates.
Tillämpa .reindex() med weekly_dates på monthly och tilldela resultatet till weekly.
Skapa nya kolumner, 'ffill' och 'interpolated', genom att tillämpa .ffill() respektive .interpolate() på weekly.UNRATE.
Visa ett diagram över weekly.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Inspect data here
print(____)

# Create weekly dates
weekly_dates = ____

# Reindex monthly to weekly data
weekly = ____

# Create ffill and interpolated columns
weekly['ffill'] = ____
weekly['interpolated'] = ____

# Plot weekly

Redigera och kör kod