4 - Los tipos de datos faltantes en Series de Tiempo
Lección 4 del curso Series de Tiempo: Pre-procesamiento.
En la lección anterior vimos las principales técnicas para la lectura y visualización de Series de Tiempo haciendo uso de librerías como Pandas, Seaborn y Matplotlib.
En este segundo módulo del curso nos enfocaremos en las técnicas de manejo de datos faltantes más usadas al momento de realizar el pre-procesamiento de Series de Tiempo.
Entender y saber detectar estos tipos de datos faltantes nos permitirá más adelante decidir cuál técnica usar para realizar el manejo correspondiente.
Y en esencia podremos tener datos faltantes en las observaciones, en la variable temporal (es decir en las marcas de tiempo) o una combinación de las dos anteriores.
Así que en esta lección veremos los cuatro tipos de datos faltantes que podemos tener en una Serie de Tiempo así como las técnicas que podemos usar para detectar estos datos faltantes.
Suscríbete para tener acceso al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Muy bien, acabamos de ver los cuatro tipos de datos faltante que podemos tener en una Serie de Tiempo almacenada como un DataFrame en Pandas y además hemos visto las diferentes técnicas que nos permiten detectar estos datos faltantes.
En esencia podemos tener observaciones faltantes, las cuales usualmente son marcadas como NaN (Not A Number) por Pandas al momento de la lectura; marcas de tiempo faltantes (que podrían o no ser marcadas como NaT, o Not A Time) o combinaciones de los dos casos anteriores.
Así que en este punto ya tenemos claros los tipos de datos faltantes que podremos encontrar en una Serie de Tiempo lo que nos permitirá determinar la técnica más adecuada para realizar su manejo.
Entonces en la próxima lección comenzaremos abordando estas técnicas de manejo de datos faltantes, comenzando con el manejo de marcas de tiempo faltantes.