Features und Targets erstellen
Wir haben fast Features und Targets, die für Machine Learning bereit sind – wir haben Features aus aktuellen Kursveränderungen (5d_close_pct) und Indikatoren (gleitende Durchschnitte und RSI), und wir haben Targets für zukünftige Kursveränderungen (5d_close_future_pct) erstellt. Jetzt müssen wir diese in separate numpy-Arrays aufteilen, damit wir sie in Machine-Learning-Algorithmen einspeisen können.
Unsere Indikatoren führen am Anfang des DataFrames aufgrund der Berechnungen zu fehlenden Werten. Wir könnten diese Daten per Backfilling auffüllen, mit einem einzelnen Wert füllen oder die Zeilen löschen. Das Löschen der Zeilen ist eine gute Wahl, damit unsere Machine-Learning-Algorithmen nicht durch irgendwelche aufgefüllten oder mit 0 befüllten Daten verwirrt werden. Pandas hat eine .dropna()-Funktion, mit der wir alle Zeilen mit fehlenden Werten entfernen werden.
Diese Übung ist Teil des Kurses
<Kurs>Maschinelles Lernen für Finanzen in Python</Kurs>Übungsanweisungen
- Entferne die fehlenden Werte aus
lng_dfmit.dropna()aus pandas. - Erstelle eine Variable, die unsere Targets enthält, nämlich die Werte von
'5d_close_future_pct'. - Erstelle einen DataFrame, der sowohl die Targets (
5d_close_future_pct) als auch die Features (enthalten in der bestehenden Listefeature_names) enthält, damit wir die Korrelationen prüfen können.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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)