Nội suy để bù khuyết với phương thức interpolate
Dữ liệu chuỗi thời gian thường có xu hướng lên xuống theo thời gian. Vì vậy, việc điền giá trị phẳng bằng các phương pháp như forward fill hoặc backward fill là không phù hợp. Một cách bù khuyết hợp lý hơn là dùng các phương pháp như nội suy tuyến tính hoặc bậc hai, trong đó các giá trị được điền theo hướng tăng hoặc giảm dần.
Trong bài tập này, bạn sẽ làm việc với phương thức .interpolate() trên DataFrame airquality. Bạn sẽ dùng các phương pháp tuyến tính (linear), bậc hai (quadratic) và láng giềng gần nhất (nearest). Bạn cũng có thể xem danh sách chi tiết các chiến lược nội suy tại đây.
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 interpolation
print(airquality[30:40])
# Interpolate the NaNs linearly
airquality.interpolate(___, inplace=True)
# Print after interpolation
print(airquality[30:40])