Rullande kvantiler för daglig luftkvalitet i NYC

I det föregående videoavsnittet lärde du dig hur man beräknar rullande kvantiler för att beskriva hur spridningen i en tidsserie förändras över tid – på ett sätt som är mindre känsligt för extremvärden än medelvärde och standardavvikelse.

Låt oss beräkna rullande kvantiler – vid 10%, 50% (medianen) och 90% – för fördelningen av daglig genomsnittlig ozonhalt i NYC med ett rullande fönster på 360 dagar.

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. Vi har också läst in ozondata från 2000–2017 i variabeln data.

Tillämpa .resample() med daglig frekvens 'D' på data och tillämpa .interpolate() för att fylla saknade värden. Tilldela resultatet tillbaka till data.
Granska resultatet med .info().
Skapa ett .rolling()-fönster med 360 perioder, välj kolumnen 'Ozone' och tilldela resultatet till rolling.
Infoga tre nya kolumner, 'q10', 'q50' och 'q90', i data genom att beräkna respektive kvantiler från rolling.
Plotta data.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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

Redigera och kör kod