Python 预测数据，如何处理缺失数据？

我在使用ARIMA预测时间序列时遇到问题。 我有缺失值的数据，我需要它们来应用ARIMA，我该怎么做

以下是数据外观的示例：

City  utc_time Meteo(degrees)
A     12:00:00 21 
A     13:00:00 21
A     14:00:00 22
A     15:00:00 31 
A     16:00:00 
A     17:00:00 28
A     18:00:00 
A     19:00:00 
A     20:00:00

---

您也可以考虑<代码>插值（）/<代码>：

df["Meteo(degrees)"].interpolate(method="linear")

然后选择您喜欢的

方法

。文档

这对我很有用：

df["Meteo(degrees)"] = df["Meteo(degrees)"].fillna(df["Meteo(degrees)"].bfill())

---

你是在问“我如何将缺失值更改为某个值？”还是在问“为我的ARIMA计算填充缺失值的最佳方法是什么？”这是非常不同的问题。这更像是你提出的第二句话。我从这个网站上获取了教程：但是当我将它用于我的数据时，由于我的数据缺少值，它给了我一个错误，即无法处理缺少的数据来测试时间序列的平稳性。在这种情况下，我认为问题太广泛了。人们写博士论文来填补缺失的价值。我建议你使用一些不同于ARIMA的技术，这对你实际拥有的数据更有利。你知道可以使用ARIMA以外的模型的例子吗？因为可能会有混淆，但要解释整个事情。我需要将18:00:00之前的值作为训练集，将测试集从该时间设置为20:00:00。由于缺少值，我无法对其执行任何操作，因此我必须处理这些缺少的值。有没有办法使其更有效，因为我可以有其他值，例如风速等？您可以使用

df[df.columns[2:：].interpolate（method=“linear”）

对前两列之后的所有列应用相同的插值算法。如果您想使用各种算法，只需迭代不同的列并对每个列进行插值。