填充缺失的时间序列数据
对时间序列数据进行插补需要采用专门的方法。时间序列数据通常具有趋势、季节性和周期性等特征，在插补缺失值时可以加以利用。在 airquality DataFrame 中，您可以观察到这些特征。您的目标是以能体现这些特征的方式进行插补。
在本练习中，您将尝试使用 .fillna() 方法来插补时间序列数据。您会使用前向填充和后向填充两种策略对时间序列进行插补。
本练习是课程的一部分
在 Python 中处理缺失数据
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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])