纽约市每日空气质量的滚动分位数
在上一段视频中，您学习了如何计算滚动分位数，用更不受离群值影响的方式（相比均值和标准差）来描述时间序列随时间的离散程度变化。
现在让我们用 360 天的滚动窗口，计算纽约市每日平均臭氧浓度分布在 10%、50%（中位数）和 90% 处的滚动分位数。
本练习是课程的一部分
Python 中的时间序列数据处理
练习说明
我们已将 pandas 导入为 pd，将 matplotlib.pyplot 导入为 plt。我们也已将 2000–2017 年的臭氧数据加载到变量 data 中。
- 对
data使用按日频率'D'的.resample()，再调用.interpolate()填充缺失值，并将结果重新赋给data。 - 使用
.info()检查结果。 - 创建一个 360 期的
.rolling()窗口，选择列'Ozone'，并将结果赋值给rolling。 - 在
data中插入三个新列'q10'、'q50'和'q90'，从rolling计算相应的分位数。 - 绘制
data。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Resample, interpolate and inspect ozone data here
data = ____
# Create the rolling window
rolling = ____
# Insert the rolling quantiles to the monthly returns
data['q10'] = ____
data['q50'] = ____
data['q90'] = ____
# Plot the data