Rullande 360-dagars median och standardavvikelse för ozondata från NYC sedan 2000

I det senaste avsnittet såg du också hur man beräknar flera rullande statistikmått med metoden .agg(), på liknande sätt som med .groupby().

Låt oss titta närmare på luftkvalitetens historia i NYC med hjälp av ozondata som du har sett tidigare. Dagliga värden kan variera mycket, och ett rullande medelvärde över en längre period kan hjälpa till att synliggöra trender på längre sikt.

Du använder ett rullande fönster på 360 dagar och .agg() för att beräkna det rullande medelvärdet och standardavvikelsen för de dagliga genomsnittliga ozonvärdena sedan 2000.

Den här övningen är en del av kursen

Manipulera tidsseriedata i Python

Visa kurs

Övningsinstruktioner

Vi har redan importerat pandas som pd och matplotlib.pyplot som plt.

Använd pd.read_csv() för att importera 'ozone.csv', skapa ett DateTimeIndex från kolumnen 'date' med hjälp av parse_dates och index_col, tilldela resultatet till data och ta bort saknade värden med .dropna().
Välj kolumnen 'Ozone', skapa ett .rolling()-fönster med 360 perioder, tillämpa .agg() för att beräkna mean och std, och tilldela resultatet till rolling_stats.
Använd .join() för att sammanfoga data med rolling_stats och tilldela resultatet till stats.
Plotta stats med subplots.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import and inspect ozone data here
data = ____

# Calculate the rolling mean and std here
rolling_stats = ____

# Join rolling_stats with ozone data
stats = ____

# Plot stats

Redigera och kör kod