Zeitreihen-Imputationen visualisieren

Umgang mit fehlenden Daten in Python

Suraj Donthi

Deep Learning & Computer Vision Learning

Zeitreihendiagramm der Luftqualität

airquality['Ozone'].plot(title='Ozone', marker='o', figsize=(30, 5))

Zeitreihendiagramm des Luftqualitäts-Datensatzes

Vorwärts-Imputation (ffill)

ffill_imp['Ozone'].plot(color='red', marker='o', linestyle='dotted', figsize=(30, 5))

airquality['Ozone'].plot(title='Ozone', marker='o')

Zeitreihendiagramm des vorwärts aufgefüllten Luftqualitäts-Datensatzes

Rückwärts-Imputation (bfill)

bfill_imp['Ozone'].plot(color='red', marker='o', linestyle='dotted', figsize=(30, 5))
airquality['Ozone'].plot(title='Ozone', marker='o')

Zeitreihendiagramm des rückwärts aufgefüllten Luftqualitäts-Datensatzes

Lineare Interpolation

linear_interp['Ozone'].plot(color='red', marker='o', linestyle='dotted', figsize=(30, 5))
airquality['Ozone'].plot(title='Ozone', marker='o')

Zeitreihendiagramm des linear interpolierten Luftqualitäts-Datensatzes

Quadratische Interpolation

quadratic_interp['Ozone'].plot(color='red', marker='o', linestyle='dotted', figsize=(30, 5))
airquality['Ozone'].plot(title='Ozone', marker='o')

Zeitreihendiagramm des quadratisch interpolierten Luftqualitäts-Datensatzes

Nächste-Nachbarn-Interpolation

nearest_interp['Ozone'].plot(color='red', marker='o', linestyle='dotted', figsize=(30, 5))
airquality['Ozone'].plot(title='Ozone', marker='o')

Zeitreihendiagramm des nächstgelegenen interpolierten Luftqualitäts-Datensatzes

Vergleich der Interpolationen

# Create subplots
fig, axes = plt.subplots(3, 1, figsize=(30, 20))

# Create interpolations dictionary
interpolations = {'Linear Interpolation': linear_interp, 
                         'Quadratic Interpolation': quadratic_interp, 
                         'Nearest Interpolation': nearest_interp}

# Visualize each interpolation
for ax, df_key in zip(axes, interpolations):
            interpolations[df_key].Ozone.plot(color='red', marker='o', 
                                              linestyle='dotted', ax=ax)
            airquality.Ozone.plot(title=df_key + ' - Ozone', marker='o', ax=ax)

Vergleich der Interpolationen

Vergleich der interpolierten Luftqualitäts-DataFrames

Vergleich der Imputationsverfahren

Vergleich aller imputierten Luftqualitäts-Datensätze

Zusammenfassung

Zeitreihendiagramm des imputierten DataFrames
Vergleich der Imputationen

Lass uns üben!

Umgang mit fehlenden Daten in Python