Điền khuyết dữ liệu chuỗi thời gian
Việc nội suy (impute) dữ liệu chuỗi thời gian cần cách xử lý chuyên biệt. Dữ liệu chuỗi thời gian thường có các đặc trưng như xu hướng, tính mùa vụ và tính chu kỳ mà chúng ta có thể khai thác khi điền giá trị khuyết. Trong DataFrame airquality, bạn có thể quan sát các đặc trưng này. Mục tiêu của bạn là nội suy các giá trị sao cho phản ánh được các đặc trưng đó.
Trong bài tập này, bạn sẽ thử dùng phương thức .fillna() để nội suy dữ liệu chuỗi thời gian. Bạn sẽ dùng chiến lược điền xuôi (forward fill) và điền ngược (backward fill) cho dữ liệu chuỗi thời gian.
Bài tập này là một phần của khóa học
Xử lý Dữ liệu Khuyết trong Python
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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])