Eksplorasi data dengan EDA

Pertama, mari kita eksplorasi data. Setiap kali memulai proyek Machine Learning (ML), Anda perlu melakukan exploratory data analysis (EDA) terlebih dahulu untuk mengenali data. Ini mencakup hal-hal seperti:

plot data mentah
histogram
dan lainnya…

Saya biasanya memulai dengan plot data mentah dan histogram. Ini membantu kita memahami distribusi data. Jika distribusinya normal, kita dapat menggunakan statistik parametrik.

Terdapat dua saham yang sudah dimuat ke dalam pandas DataFrame: lng_df dan spy_df (LNG dan SPY). Lihatlah dengan .head(). Kita akan menggunakan harga penutupan dan nantinya volume sebagai masukan ke algoritma ML.

Catatan: Kita akan memanggil plt.clf() setiap kali ingin membuat plot baru, atau f = plt.figure().

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Keuangan dengan Python

Lihat Kursus

Instruksi latihan

Cetak 5 baris pertama dari kedua DataFrame (lng_df dan spy_df) dan periksa isinya.
Gunakan pustaka pandas untuk memplot data deret waktu mentah untuk 'SPY' dan 'LNG' dengan harga penutupan tersesuaikan ('Adj_Close') — setel legend=True dalam .plot().
Gunakan plt.show() untuk menampilkan plot deret waktu mentah (matplotlib.pyplot telah diimpor sebagai plt).
Gunakan pandas dan matplotlib untuk membuat histogram selisih persentase 1 hari dari harga penutupan tersesuaikan (gunakan .pct_change()) untuk SPY dan LNG.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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()

Edit dan Jalankan Kode