時系列補完の可視化

Pythonで欠損データに対処する

Suraj Donthi

Deep Learning & Computer Vision Learning

大気質の時系列プロット

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

大気質データセットの時系列プロット

Ffill（前方補完）

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

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

前方補完を適用した大気質データの時系列プロット

Bfill（後方補完）

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

後方補完を適用した大気質データの時系列プロット

Linear Interpolation（線形補間）

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

線形補間を適用した大気質データの時系列プロット

Quadratic Interpolation（二次補間）

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

二次補間を適用した大気質データの時系列プロット

Nearest Interpolation（最近傍補間）

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

最も近傍補間を適用した大気質データの時系列プロット

補間手法の比較

# 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)

補間手法の比較

補間後の大気質データフレームの比較

欠損値補完手法の比較

全補完手法を適用した大気質データセットの比較

まとめ

補完後DataFrameの時系列プロット
補完結果の比較

Ayo berlatih!

Pythonで欠損データに対処する