Examiner les corrélations des nouvelles variables

Maintenant que nous avons nos variables de volume et de date/heure, nous voulons vérifier les corrélations entre nos nouvelles variables (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 propose la méthode intégrée .corr() pour les DataFrames, et que seaborn offre une fonction pratique heatmap() pour visualiser les corrélations.

Cet exercice fait partie du cours

<cours>Machine Learning pour la finance en Python</cours>

Voir le cours

Instructions de l’exercice

Étendez notre variable new_features pour y inclure les noms de colonnes des jours de la semaine, comme weekday_1, en concaténant le numéro du jour 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