Tvorba časově posunutých příznaků

V machine learningu pro časové řady je běžné využívat informace z předchozích časových bodů k předpovídání následujícího.

V tomto cvičení svá vstupní data „posunete" a výsledky vizualizuješ. Použiješ přitom časovou řadu procentuální změny, kterou jsi vypočítal/a v předchozí kapitole, tentokrát s velmi krátkým oknem. Krátké okno je důležité proto, že v reálném scénáři chceš předpovídat každodenní výkyvy časové řady, nikoli změnu přes delší časové období.

Toto cvičení je součástí kurzu

Machine Learning pro data časových řad v Pythonu

Zobrazit kurz

Pokyny k cvičení

Pomocí slovníkové komprehence vytvoř více časově posunutých verzí prices_perc s použitím zpoždění zadaných v shifts.
Výsledek převeď na DataFrame.
K vizualizaci výsledků použij přiložený kód.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# These are the "time lags"
shifts = np.arange(1, 11).astype(int)

# Use a dictionary comprehension to create name: value pairs, one pair per shift
shifted_data = {"lag_{}_day".format(day_shift): prices_perc.____(____) for day_shift in shifts}

# Convert into a DataFrame for subsequent use
prices_perc_shifted = ____(shifted_data)

# Plot the first 100 samples of each
ax = prices_perc_shifted.iloc[:100].plot(cmap=plt.cm.viridis)
prices_perc.iloc[:100].plot(color='r', lw=2)
ax.legend(loc='best')
plt.show()

Upravit a spustit kód