Visualisering av imputering i tidsserier

Hantera saknade värden i Python

Suraj Donthi

Deep Learning & Computer Vision Learning

Tidsserieplot över luftkvalitet

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

Tidsserieplot över luftkvalitetsdataset

Ffill-imputering

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

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

Tidsserieplot över framåtfyllt luftkvalitetsdataset

Bfill-imputering

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

Tidsserieplot över bakåtfyllt luftkvalitetsdataset

Linjär interpolation

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

Tidsserieplot över linjärt interpolerat luftkvalitetsdataset

Kvadratisk interpolation

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

Tidsserieplot över kvadratiskt interpolerat luftkvalitetsdataset

Närmast-interpolation

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

Tidsserieplot över närmast interpolerat luftkvalitetsdataset

Jämförelse av interpolationer

# 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)

Jämförelse av interpolationer

Jämförelse av interpolerade luftkvalitetsdataramar

Jämförelse av imputeringsmetoder

Jämförelse av alla imputerade luftkvalitetsdataset

Sammanfattning

Tidsserieplot över imputerad DataFrame
Jämförelse av imputeringar

Nu kör vi en övning!

Hantera saknade värden i Python