Créer des caractéristiques décalées dans le temps
En Machine Learning pour les séries chronologiques, on utilise souvent l'information des points temporels précédents pour prédire un point ultérieur.
Dans cet exercice, vous allez « décaler » vos données brutes et visualiser les résultats. Vous utiliserez la série des variations en pourcentage que vous avez calculée au chapitre précédent, cette fois avec une fenêtre très courte. Une fenêtre courte est importante, car dans un contexte réel, vous voulez prédire les fluctuations quotidiennes d'une série chronologique, et non son changement sur une période plus longue.
Cette activité fait partie du cours
Machine Learning pour les données chronologiques en Python
Instructions de l’exercice
- Utilisez une compréhension de dictionnaire pour créer plusieurs versions décalées de
prices_percselon les retards indiqués dansshifts. - Convertissez le résultat en DataFrame.
- Utilisez le code fourni pour visualiser les résultats.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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()