การเติมข้อมูล time-series ที่หายไป
การ impute ข้อมูล time-series ต้องการการจัดการเฉพาะทาง เนื่องจากข้อมูล time-series มักมีลักษณะพิเศษ เช่น แนวโน้ม (trend) ฤดูกาล (seasonality) และวัฏจักร (cyclicality) ซึ่งสามารถนำมาใช้ประโยชน์ในการเติมค่าที่หายไปได้ ใน DataFrame airquality จะเห็นลักษณะเหล่านี้ได้ชัดเจน เป้าหมายคือการเติมค่าโดยคำนึงถึงลักษณะเหล่านี้
ในแบบฝึกหัดนี้ จะได้ลองใช้เมธอด .fillna() เพื่อ impute ข้อมูล time-series โดยใช้กลยุทธ์การเติมค่าแบบ forward fill และ backward fill
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การจัดการข้อมูลที่หายไปใน Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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])