Stryg for at vise menuen

Replace Missing Values with Interpolation

Another approach to deal with numerical data is using interpolation. Each NaN value will be replaced with the result of interpolation between the previous and the next entry over the column. Let's apply the interpolate() function to numeric column Age by setting the limit direction to forward. This means that linear interpolation is applied from the first line to the last.


              1
            
data = data.interpolate(method = 'linear', limit_direction = 'forward')

Opgave

Swipe to start coding

Fill the empty places in the code. Compare the data in Age column before and after using interpolation (look at the last 10 rows).

Løsning

Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 6

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Replace Missing Values with Interpolation


              1
            
data = data.interpolate(method = 'linear', limit_direction = 'forward')

Opgave

Swipe to start coding

Fill the empty places in the code. Compare the data in Age column before and after using interpolation (look at the last 10 rows).

Løsning

Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 6

Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder