Crea feature e target
Abbiamo quasi feature e target pronti per il Machine Learning: abbiamo feature dai cambiamenti di prezzo attuali (5d_close_pct) e dagli indicatori (medie mobili e RSI), e abbiamo creato target con i cambiamenti di prezzo futuri (5d_close_future_pct). Ora dobbiamo suddividerli in array numpy separati per poterli passare agli algoritmi di Machine Learning.
Gli indicatori introducono anche valori mancanti all'inizio del DataFrame a causa dei calcoli. Potremmo fare un backfill dei dati, riempirli con un singolo valore oppure eliminare le righe. Eliminare le righe è una buona scelta, così gli algoritmi di Machine Learning non vengono confusi da dati riempiti a posteriori o con 0. Pandas ha una funzione .dropna() che useremo per eliminare qualsiasi riga con valori mancanti.
Questo esercizio fa parte del corso
Machine Learning per la finanza in Python
Istruzioni dell'esercizio
- Elimina i valori mancanti da
lng_dfcon.dropna()di pandas. - Crea una variabile che contenga i nostri target, cioè i valori di
'5d_close_future_pct'. - Crea un DataFrame che contenga sia i target (
5d_close_future_pct) sia le feature (contenute nell'elenco esistentefeature_names) così possiamo verificarne le correlazioni.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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)