BaşlayınÜcretsiz Başlayın

2000'den beri NYC ozon verileri için 360 günlük medyan ve std. sapma

Son videoda, .groupby()'a benzer şekilde .agg() kullanarak birden çok hareketli istatistiğin nasıl hesaplanacağını da gördün.

NYC'nin hava kalitesi geçmişine, daha önce gördüğün Ozon verilerini kullanarak yakından bakalım. Günlük veriler oldukça oynak, bu yüzden daha uzun dönemli bir hareketli ortalama daha uzun vadeli eğilimi ortaya çıkarmaya yardımcı olabilir.

2000 yılından bu yana günlük ortalama ozon değerleri için 360 günlük bir hareketli pencere kullanacak ve .agg() ile hareketli ortalama ve standart sapmayı hesaplayacaksın.

Bu egzersiz

Python ile Zaman Serisi Verilerini Manipüle Etme

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

pandas'ı pd ve matplotlib.pyplot'ı plt olarak zaten içe aktardık.

  • pd.read_csv() kullanarak 'ozone.csv' dosyasını içe aktar; 'date' sütunundan parse_dates ve index_col ile bir DateTimeIndex oluştur, sonucu data'ya ata ve .dropna() ile eksik değerleri düş.
  • 'Ozone' sütununu seç ve 360 periyotluk bir .rolling() penceresi oluştur; mean ve std hesaplamak için .agg() uygula ve bunu rolling_stats'a ata.
  • .join() kullanarak data ile rolling_stats'ı birleştir ve stats'a ata.
  • stats'ı subplots kullanarak görselleştir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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
Kodu Düzenle ve Çalıştır