Python 如何处理时间序列问题中移动平均特征的缺失值?
我试图在缺少值的数据上创建一些移动平均值 在我看来,我有两个选择: 1) 我可以用最后一个已知的值来填充这些点。问题是,我认为这会破坏移动平均线功能的完整性 2) 我可以将这些值设置为NaN。这导致移动平均数为NaN。问题是我不确定如何处理NaN特性。我可以用0填充NaN,但移动平均线0与未知移动平均线不同Python 如何处理时间序列问题中移动平均特征的缺失值?,python,pandas,machine-learning,missing-data,moving-average,Python,Pandas,Machine Learning,Missing Data,Moving Average,我试图在缺少值的数据上创建一些移动平均值 在我看来,我有两个选择: 1) 我可以用最后一个已知的值来填充这些点。问题是,我认为这会破坏移动平均线功能的完整性 2) 我可以将这些值设置为NaN。这导致移动平均数为NaN。问题是我不确定如何处理NaN特性。我可以用0填充NaN,但移动平均线0与未知移动平均线不同 但选项似乎会导致一些完整性问题。其他人有过类似的问题吗?你可以用移动平均值填充它们直到NaN(根据以前的值预测这些值)。 这是一种连续移动平均线。这不是问这类问题的最佳场所。堆栈溢出更多的是
但选项似乎会导致一些完整性问题。其他人有过类似的问题吗?你可以用移动平均值填充它们直到NaN(根据以前的值预测这些值)。
这是一种连续移动平均线。这不是问这类问题的最佳场所。堆栈溢出更多的是关于如何使用代码执行这种类型的工作。也许有更好的地方可以问这类问题?