时间序列插补的可视化

在 Python 中处理缺失数据

Suraj Donthi

Deep Learning & Computer Vision Learning

空气质量时间序列图

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

空气质量数据集的时间序列图

在 Python 中处理缺失数据

前向填充（ffill）插补

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

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

前向填充后的空气质量时间序列图

在 Python 中处理缺失数据

后向填充（bfill）插补

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

后向填充后的空气质量时间序列图

在 Python 中处理缺失数据

线性插值

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

线性插值后的空气质量时间序列图

在 Python 中处理缺失数据

二次插值

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

二次插值后的空气质量时间序列图

在 Python 中处理缺失数据

最近邻插值

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

最近邻插值后的空气质量时间序列图

在 Python 中处理缺失数据

插值方法对比

# 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)
在 Python 中处理缺失数据

插值方法对比

插值后空气质量数据框的对比

在 Python 中处理缺失数据

插补技术对比

各插补空气质量数据集的对比

在 Python 中处理缺失数据

小结

  • 插补后 DataFrame 的时间序列图
  • 插补方法对比
在 Python 中处理缺失数据

Vamos praticar!

在 Python 中处理缺失数据

Preparing Video For Download...