Vytvoření příznaků a cílů
Příznaky a cíle jsou téměř připravené pro strojové učení – máme příznaky z aktuálních cenových změn (5d_close_pct) a indikátory (klouzavé průměry a RSI) a vytvořili jsme cíle z budoucích cenových změn (5d_close_future_pct). Teď je potřeba rozdělit je do samostatných numpy polí, abychom je mohli předat algoritmům strojového učení.
Naše indikátory způsobují, že na začátku DataFrame chybí některé hodnoty – je to důsledek jejich výpočtu. Tato data bychom mohli doplnit zpětně, nahradit jednou hodnotou, nebo příslušné řádky odstranit. Odstranění řádků je dobrá volba, aby algoritmy strojového učení nebyly zmatené zpětně doplněnými nebo nulami vyplněnými daty. Pandas nabízí funkci .dropna(), pomocí které odstraníme všechny řádky s chybějícími hodnotami.
Toto cvičení je součástí kurzu
Machine Learning for Finance in Python
Pokyny k cvičení
- Odstraň chybějící hodnoty z
lng_dfpomocí.dropna()z pandas. - Vytvoř proměnnou obsahující naše cíle, tedy hodnoty
'5d_close_future_pct'. - Vytvoř DataFrame obsahující cíle (
5d_close_future_pct) i příznaky (obsažené v existujícím seznamufeature_names), abychom mohli zkontrolovat korelace.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Drop all na values
lng_df = lng_df.____
# Create features and targets
# use feature_names for features; '5d_close_future_pct' for targets
features = lng_df[feature_names]
targets = lng_df[____]
# Create DataFrame from target column and feature columns
feature_and_target_cols = ['5d_close_future_pct'] + ____
feat_targ_df = lng_df[feature_and_target_cols]
# Calculate correlation matrix
corr = feat_targ_df.corr()
print(corr)