Corrélations entre plusieurs séries chronologiques
Dans l'exercice précédent, vous avez extrait la composante seasonal de chaque série chronologique du DataFrame jobs et enregistré ces résultats dans un nouveau DataFrame appelé seasonality_df. Dans le contexte des données sur l'emploi, il peut être intéressant de comparer les comportements saisonniers, car cela peut aider à déterminer quelles industries sont les plus semblables ou les plus différentes.
On peut y arriver en utilisant le DataFrame seasonality_df et en calculant la corrélation entre chaque série chronologique de l'ensemble de données. Dans cet exercice, vous mettrez à profit ce que vous avez appris au chapitre 4 pour calculer et créer une visualisation de type clustermap des corrélations entre les séries chronologiques du DataFrame seasonality_df.
Cette activité fait partie du cours
Visualiser des séries chronologiques en Python
Instructions de l’exercice
- Calculez la corrélation entre toutes les colonnes du DataFrame
seasonality_dfen utilisant la méthode Spearman et affectez les résultats àseasonality_corr. - Créez une nouvelle clustermap de votre matrice de corrélation.
- Affichez la valeur de corrélation entre les composantes saisonnières des industries Government et Education & Health.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Get correlation matrix of the seasonality_df DataFrame
seasonality_corr = ____
# Customize the clustermap of the seasonality_corr correlation matrix
fig = ____(____, annot=True, annot_kws={"size": 4}, linewidths=.4, figsize=(15, 10))
plt.setp(fig.ax_heatmap.yaxis.get_majorticklabels(), rotation=0)
plt.setp(fig.ax_heatmap.xaxis.get_majorticklabels(), rotation=90)
plt.show()
# Print the correlation between the seasonalities of the Government and Education & Health industries
print(____)