Examiner les corrélations des nouvelles caractéristiques

Maintenant que nous avons nos caractéristiques de volume et de date/heure, nous voulons vérifier les corrélations entre nos nouvelles caractéristiques (stockées dans la liste new_features) et la cible (5d_close_future_pct) pour voir à quel point elles sont liées. Rappelez-vous que pandas offre la méthode intégrée .corr() pour les DataFrames, et que seaborn propose une fonction heatmap() pratique pour visualiser les corrélations.

Cette activité fait partie du cours

Machine Learning pour la finance en Python

Voir le cours

Instructions de l’exercice

Étendez notre variable new_features pour y inclure les noms de colonnes des jours de semaine, comme weekday_1, en concaténant le numéro du jour de semaine avec la chaîne 'weekday_'.
Utilisez le heatmap de Seaborn pour tracer les corrélations de new_features et de la cible 5d_close_future_pct.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Add the weekday labels to the new_features list
new_features.extend([____ + ____ for i in range(1, 5)])

# Plot the correlations between the new features and the targets
sns.____(lng_df[____ + ['5d_close_future_pct']].corr(), annot=True)
plt.yticks(rotation=0)  # ensure y-axis ticklabels are horizontal
plt.xticks(rotation=90)  # ensure x-axis ticklabels are vertical
plt.tight_layout()
plt.show()

Modifier et exécuter le code