Crear funciones con desfase temporal
En el machine learning para series temporales, es habitual utilizar información sobre puntos temporales anteriores para predecir un punto temporal posterior.
En este ejercicio, "desplazarás" tus datos brutos y visualizarás los resultados. Utilizarás la serie temporal porcentaje de cambio. que calculaste en el capítulo anterior, esta vez con una ventana muy corta. Una ventana corta es importante porque, en un escenario del mundo real, quieres predecir las fluctuaciones diarias de una serie temporal, no su cambio a lo largo de una ventana de tiempo más larga.
Este ejercicio forma parte del curso
Machine learning para datos de series temporales en Python
Instrucciones de ejercicio
- Utiliza una comprensión de diccionario para crear múltiples versiones desfasadas en el tiempo de
prices_percutilizando los desfases especificados enshifts. - Convierte el resultado en un Marco de datos.
- Utiliza el código dado para visualizar los resultados.
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
# 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()