时间序列数据无处不在。无论是来自自动化车辆和制造设备上的传感器、气象数据,还是来自股市的财务数据,它都有助于我们了解系统随时间的变化。然而,现实世界中的时间序列数据可能存在许多问题,如数据丢失、异常值、噪声等。在分析数据或将其用于模型开发之前,需要先对数据进行清理和准备。不幸的是,如何清理这些数据并不总是很清楚。应使用哪种算法填充缺失的值?应该先删除离群值还是噪声?如何同步使用不同采样率测量的数据?这个过程是迭代的,可能非常耗时。在本节课中,我们将向您展示如何将时间表与新的数据清理器应用程序和实时编辑器任务一起使用,以识别和解决时间序列数据中的常见问题。我们将介绍使用代码和低代码技术的不同数据清理方法,这些技术可以使数据准备过程更加高效。