Korelace mezi více časovými řadami
V předchozím cvičení jsi z každé časové řady v DataFrame jobs extrahoval/a složku seasonal a výsledky uložil/a do nového DataFrame s názvem seasonality_df. V kontextu dat o pracovních místech může být zajímavé porovnat sezónní chování jednotlivých odvětví – může to pomoci odhalit, která jsou si nejvíce podobná nebo naopak nejvíce odlišná.
Toho dosáhneš pomocí DataFrame seasonality_df výpočtem korelace mezi jednotlivými časovými řadami v datasetu. V tomto cvičení využiješ znalosti z kapitoly 4 k výpočtu korelací a vytvoření vizualizace clustermapy pro časové řady v DataFrame seasonality_df.
Toto cvičení je součástí kurzu
Vizualizace dat časových řad v Pythonu
Pokyny k cvičení
- Vypočítej korelaci mezi všemi sloupci DataFrame
seasonality_dfpomocí Spearmanovy metody a výsledek přiřaď do proměnnéseasonality_corr. - Vytvoř novou clustermapu z korelační matice.
- Vypiš hodnotu korelace mezi sezónností odvětví Government a Education & Health.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Get correlation matrix of the seasonality_df DataFrame
seasonality_corr = ____
# Customize the clustermap of the seasonality_corr correlation matrix
fig = ____(____, annot=True, annot_kws={"size": 4}, linewidths=.4, figsize=(15, 10))
plt.setp(fig.ax_heatmap.yaxis.get_majorticklabels(), rotation=0)
plt.setp(fig.ax_heatmap.xaxis.get_majorticklabels(), rotation=90)
plt.show()
# Print the correlation between the seasonalities of the Government and Education & Health industries
print(____)