Visualiser l'imputation de séries chronologiques

Gérer les données manquantes avec Python

Suraj Donthi

Deep Learning & Computer Vision Learning

Graphique de la qualité de l'air dans le temps

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

Graphique chronologique du jeu de données sur la qualité de l'air

Imputation par report vers l'avant (ffill)

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

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

Graphique chronologique du jeu de données rempli vers l'avant sur la qualité de l'air

Imputation par report vers l'arrière (bfill)

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

Graphique chronologique du jeu de données rempli vers l'arrière sur la qualité de l'air

Interpolation linéaire

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

Graphique chronologique du jeu de données interpolé linéairement sur la qualité de l'air

Interpolation quadratique

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

Graphique chronologique du jeu de données interpolé quadratiquement sur la qualité de l'air

Interpolation au plus proche

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

Graphique chronologique du jeu de données interpolé au plus proche sur la qualité de l'air

Comparer les interpolations

# 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)

Comparer les interpolations

Comparaison des DataFrames de qualité de l'air interpolés

Comparer les techniques d'imputation

Comparaison de tous les jeux de données imputés sur la qualité de l'air

Résumé

Graphique temporel du DataFrame imputé
Comparaison des imputations

Passons à la pratique !

Gérer les données manquantes avec Python