5 - Manejo de marcas de tiempo faltantes
Lección 5 del curso Series de Tiempo: Pre-procesamiento.
En la lección anterior vimos cuáles son y cómo detectar los diferentes tipos de datos faltantes en Series de Tiempo.
Así que en esta lección nos enfocaremos en el primer conjunto de técnicas enfocadas en el manejo de marcas de tiempo faltantes, es decir cuando la variable temporal de nuestra Serie de Tiempo contiene valores incompletos.
El manejo de las marcas de tiempo faltantes es el primer paso que siempre debemos llevar a cabo antes de, por ejemplo, realizar el manejo de observaciones faltantes. Esto se debe a que sin la variable temporal completa no podremos posteriormente realizar las demás tareas de pre-procesamiento de datos.
Además, es importante tener en cuenta que para realizar un manejo adecuado de datos faltantes (sean marcas de tiempo u observaciones) es esencial tener un conocimiento detallado de los datos que estamos procesando. Sin este conocimiento no sabremos qué decisión tomar en cada caso particular al momento de realizar el manejo.
Veamos entonces cómo realizar el manejo de marcas de tiempo 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
Bien, acabamos de ver cómo realizar el manejo de las marcas de tiempo faltantes. En esencia existen dos técnicas: eliminar los registros que contienen marcas faltantes o completar las marcas faltantes.
Cuando elegimos completar las marcas faltantes debemos primero determinar si se trata de marcas de tiempo etiquetadas como “NaT” en Pandas o si se trata de marcas “ocultas” y dependiendo de esto podremos optar por alternativas como la definición de un nuevo índice para la Serie de Tiempo o el uso de re-indexación.
Así que en este punto ya tenemos claras las técnicas que podemos usar para el manejo de marcas de tiempo faltantes y por tanto ya podemos enfocarnos ahora sí en las técnicas que nos permiten realizar el manejo de observaciones faltantes.
Entonces en la próxima lección nos enfocaremos en la primera y más sencilla de todas estas técnicas. Hablaremos de la imputación univariada.