Warmwerden: Autokorrelationen ansehen

Da die Temperaturzeitreihe temp_NY eine Random Walk mit Drift ist, bilde erste Differenzen, um sie stationär zu machen. Berechne anschließend die Stichproben-ACF und -PACF. Das gibt dir Hinweise auf die Ordnung des Modells.

Diese Übung ist Teil des Kurses

Zeitreihenanalyse in Python

Kurs anzeigen

Anleitung zur Übung

Importiere die Module zum Plotten der Stichproben-ACF und -PACF
Bilde erste Differenzen des DataFrames temp_NY mit der pandas-Methode .diff()
Erstelle zwei Subplots zum Plotten von ACF und PACF
- Plotte die Stichproben-ACF der differenzierten Reihe
- Plotte die Stichproben-PACF der differenzierten Reihe

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import the modules for plotting the sample ACF and PACF
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# Take first difference of the temperature Series
chg_temp = ___.___
chg_temp = chg_temp.dropna()

# Plot the ACF and PACF on the same page
fig, axes = plt.subplots(2,1)

# Plot the ACF
plot_acf(___, lags=20, ax=axes[0])

# Plot the PACF
plot_pacf(___, lags=20, ax=axes[1])
plt.show()

Code bearbeiten und ausführen