Explorer les données avec un peu d'EDA

Commençons par explorer les données. Chaque fois que nous lançons un projet de Machine Learning (ML), nous devons d'abord effectuer une analyse exploratoire des données (EDA) pour nous familiariser avec celles-ci. Cela comprend notamment :

des graphiques des données brutes
des histogrammes
et plus encore…

Je commence généralement par des graphiques de données brutes et des histogrammes. Cela nous aide à comprendre les distributions de nos données. Si la distribution est normale, nous pouvons utiliser, par exemple, des statistiques paramétriques.

Deux titres boursiers sont déjà chargés pour vous dans des DataFrame pandas : lng_df et spy_df (LNG et SPY). Examinez-les avec .head(). Nous utiliserons les cours de clôture et, éventuellement, le volume comme intrants pour les algorithmes de ML.

Remarque : Nous appellerons plt.clf() chaque fois que nous voulons créer un nouveau graphique, ou f = plt.figure().

Cette activité fait partie du cours

Machine Learning pour la finance en Python

Voir le cours

Instructions de l’exercice

Affichez les 5 premières lignes des deux DataFrame (lng_df et spy_df) et examinez leur contenu.
Utilisez la bibliothèque pandas pour tracer les séries chronologiques brutes de 'SPY' et 'LNG' avec le cours de clôture ajusté ('Adj_Close') — mettez legend=True dans .plot().
Utilisez plt.show() pour afficher le graphique de séries chronologiques brutes (matplotlib.pyplot a été importé sous le nom plt).
Utilisez pandas et matplotlib pour créer un histogramme de la variation en pourcentage sur 1 jour du cours de clôture ajusté (utilisez .pct_change()) pour SPY et LNG.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

print(lng_df.head())  # examine the DataFrames
print(____)  # examine the SPY DataFrame

# Plot the Adj_Close columns for SPY and LNG
spy_df[____].plot(label='SPY', legend=True)
lng_df[____].plot(label=____, ____, secondary_y=True)
____  # show the plot
plt.clf()  # clear the plot space

# Histogram of the daily price change percent of Adj_Close for LNG
lng_df['Adj_Close'].____.plot.hist(bins=50)
plt.xlabel('adjusted close 1-day percent change')
plt.show()

Modifier et exécuter le code