在python中将缺失数据处理为时间序列中最后5个观察值的移动平均值答案

【问题标题】：Dealing missing data as moving average of last 5 observations in time series in python在python中将缺失数据处理为时间序列中最后5个观察值的移动平均值
【发布时间】：2020-08-04 05:25:17
【问题描述】：

我有一个时间序列数据，其日期间隔长达 4 个月。填充这些缺失数据值的最佳方法是什么。

数据看起来像：

            Qty
Date
2016-04-01  0.125
2016-05-01  2.750
2016-06-01  4.825
2016-07-01  5.625
2016-08-01  2.475
2016-09-01  NaN
2016-10-01  NaN
2016-11-01  NaN
2016-12-01  1.000
2017-01-01  2.500

我试过这个：

data_mean = data.cumsum() / (~data.isna()).cumsum()
data_mean = data_mean.fillna(method = "ffill")
data = data.fillna(value = data_mean)

但是，这对于预测来说效果很好。我也尝试过使用 interpolate() 方法，但效果非常好。

场景是：存在缺失值的地方，在该日期没有购买数量。我需要填写那些缺失的日期，以便以后进行预测。

我想在 python 中尝试用最后 5 次观察到相应缺失值位置的移动平均值来填充缺失值。请在这种情况下提供帮助。谢谢。

【问题讨论】：

标签： python missing-data moving-average

【解决方案1】：

您可能应该使用 for 循环来实现这一点，如下所示：

for i in range(len(df)):
    if pd.isna(df.iloc[i, 1]):
        moving = df.iloc[i-5:i, 1].mean()
        df.iloc[i, 1] = moving

【讨论】：

您好 Djerro，感谢您的回复。它的抛出错误。 IndexError：单个位置索引器超出范围。
你们中的任何一个前 5 个值是 nan 吗？
不，第 6 和第 7 个值是 nan
固定：对于范围内的 i(len(df)): if pd.isna(df['Qty'].iloc[i]):moving = data['Qty'].iloc[ i-5:i].mean() data['Qty'].iloc[i] = 移动