Gérer les valeurs manquantes avec des séries temporelles

Fonctions :

• df.fillna(method='ffill')

  La méthode fillna() permet de remplir les valeurs manquantes dans un DataFrame. Lorsque vous travaillez avec des séries temporelles, la gestion des valeurs manquantes est cruciale, car ces valeurs peuvent entraîner des erreurs dans les analyses. La méthode fillna() propose plusieurs options pour traiter ces valeurs manquantes. En utilisant l'argument method='ffill', vous appliquez une méthode de "forward fill", c'est-à-dire que la valeur manquante est remplie par la dernière valeur connue avant elle. Cela est particulièrement utile pour les séries temporelles où les données manquantes sont souvent imputées par les valeurs les plus récentes disponibles.

  Importation :

  import pandas as pd

  Attributs :

  Paramètre	Type	Description	Valeur par défaut
  method	str	Méthode utilisée pour remplir les valeurs manquantes. 'ffill' (forward fill) remplace les valeurs manquantes par la dernière valeur connue.	None
  axis	int	Axe le long duquel remplir les valeurs manquantes. Par défaut, cela fonctionne sur les lignes (axis=0), mais vous pouvez le modifier pour les colonnes (axis=1).	0
  limit	int, optionnel	Nombre maximum de valeurs manquantes à remplir. Par défaut, toutes les valeurs manquantes sont remplies.	None
  inplace	bool	Si True, remplace les valeurs dans le DataFrame d'origine, sinon retourne un nouveau DataFrame avec les valeurs remplies.	False

  Exemple de code :

  Copy

  import pandas as pd
  
  # Création d'un DataFrame exemple avec des valeurs manquantes
  data = {
      'date': ['2025-01-01', '2025-01-02', '2025-01-03', '2025-01-04'],
      'ventes': [100, None, None, 200]
  }
  
  df = pd.DataFrame(data)
  
  # Convertir la colonne 'date' en datetime
  df['date'] = pd.to_datetime(df['date'])
  
  # Définir la colonne 'date' comme index
  df.set_index('date', inplace=True)
  
  # Remplir les valeurs manquantes avec la méthode forward fill
  df_filled = df.fillna(method='ffill')
  
  # Affichage du DataFrame après remplissage des valeurs manquantes
  print(df_filled)

  

  Explication du code :

  import pandas as pd importe la bibliothèque pandas, renommée ici en pd pour simplifier son utilisation dans le code.

  Création du DataFrame avec des valeurs manquantes

  Un DataFrame est créé à partir d'un dictionnaire avec deux colonnes : 'date' et 'ventes'. La colonne 'ventes' contient certaines valeurs manquantes (None) qui sont représentées par des NaN dans le DataFrame.

  Conversion de la colonne 'date' en datetime

  La méthode pd.to_datetime(df['date']) est utilisée pour convertir les valeurs de la colonne 'date' en objets de type datetime. Cela permet de manipuler et d'analyser les dates de manière plus efficace.

  Définition de 'date' comme index

  La méthode df.set_index('date', inplace=True) définit la colonne 'date' comme index du DataFrame, permettant ainsi des manipulations temporelles, telles que le resampling ou la recherche par date.

  Remplissage des valeurs manquantes avec la méthode forward fill

  La méthode fillna(method='ffill') est utilisée pour remplir les valeurs manquantes (NaN) de la colonne 'ventes' en les remplaçant par la dernière valeur non manquante disponible avant celle-ci. Cette méthode est appelée forward fill ou propagation vers l'avant.

  Affichage du DataFrame après remplissage

  Le DataFrame résultant affiche la colonne 'ventes' où les valeurs manquantes ont été remplacées par la dernière valeur disponible, comme suit : les valeurs NaN de la ligne 2 et 3 sont remplies par la valeur 100 de la ligne précédente.