Membuat fitur dan target

Kita hampir memiliki fitur dan target yang siap untuk Machine Learning -- kita memiliki fitur dari perubahan harga saat ini (5d_close_pct) dan indikator (moving averages dan RSI), serta kita membuat target berupa perubahan harga di masa depan (5d_close_future_pct). Sekarang kita perlu memecahnya menjadi array-array numpy terpisah agar bisa diberikan ke algoritma Machine Learning.

Indikator kita juga menyebabkan adanya nilai yang hilang di awal DataFrame akibat perhitungan. Kita dapat melakukan backfill pada data ini, mengisinya dengan satu nilai, atau menghapus barisnya. Menghapus baris merupakan pilihan yang baik, agar algoritma Machine Learning tidak bingung oleh data hasil backfill atau yang diisi 0. pandas memiliki fungsi .dropna() yang akan kita gunakan untuk menghapus baris mana pun yang memiliki nilai hilang.

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Keuangan dengan Python

Lihat Kursus

Instruksi latihan

Hapus nilai yang hilang dari lng_df dengan .dropna() dari pandas.
Buat variabel yang berisi target kita, yaitu nilai '5d_close_future_pct'.
Buat sebuah DataFrame yang memuat baik target (5d_close_future_pct) maupun fitur (terkandung dalam list feature_names yang sudah ada) sehingga kita dapat memeriksa korelasinya.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Drop all na values
lng_df = lng_df.____

# Create features and targets
# use feature_names for features; '5d_close_future_pct' for targets
features = lng_df[feature_names]
targets = lng_df[____]

# Create DataFrame from target column and feature columns
feature_and_target_cols = ['5d_close_future_pct'] + ____
feat_targ_df = lng_df[feature_and_target_cols]

# Calculate correlation matrix
corr = feat_targ_df.corr()
print(corr)

Edit dan Jalankan Kode