Есть блок для генерации начальных данных:

import numpy as np
import pandas as pd

X = np.arange(1, 1000)
y = 10 * X + 100 * np.sin(np.pi * X / 20) + np.random.randint(0, 20, size=len(X))
index = pd.date_range('2019-01-01', periods=len(X), freq='D')
df=pd.DataFrame(y,index=index,columns=['y'])
df.loc[index[np.random.randint(1,1000,size=50)],'y']=None

Требуется сделать:
1. Восстановите пропущенные значения, по предыдущим известным.
2. Измените гранулярность временного ряда на недельную (разбейте ряд на недели, суммируя спрос внутри каждой недели)
3. Постройте описательную статистику ряда (найдите среднее, моду, медиану, дисперсию, постройте гистограмму значений ряда по 10 интервалам)
4. С помощью многослойного персептрона выделите линейный тренд временного ряда. Постройте его график и наложите на график исходного ряда.
5. С помощью LSTM или сети глубокого обучения постройте модель, прогнозирующую 3 недели, по 12 предыдущим (т.е. исходные данные надо разбить на вектор Y из 3х точек, и вектор X из 12 лагов). Тестовую выборку взять 15% от объема исходной. Точность прогноза (MAPE) на тестовой выборке должна составить не менее 80%.