Creare più feature mobili in una volta sola
Ora che hai fatto pratica con un po’ di semplice feature engineering, passiamo a qualcosa di più complesso. Calcolerai un insieme di feature per i tuoi dati di serie temporali e visualizzerai come si comportano nel tempo. Questo processo assomiglia al modo in cui operano molti altri modelli per serie temporali.
Questo esercizio fa parte del corso
Machine Learning per dati di serie temporali in Python
Istruzioni dell'esercizio
- Definisci un elenco composto da quattro feature da calcolare: minimo, massimo, media e deviazione standard (in quest’ordine).
- Usando la finestra mobile (
prices_perc_rolling) che abbiamo definito per te, calcola le feature dafeatures_to_calculate. - Rappresenta i risultati nel tempo insieme alla serie temporale originale usando il codice fornito.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Define a rolling window with Pandas, excluding the right-most datapoint of the window
prices_perc_rolling = prices_perc.rolling(20, min_periods=5, closed='right')
# Define the features you'll calculate for each window
features_to_calculate = [np.min, ____, ____, ____]
# Calculate these features for your rolling window object
features = prices_perc_rolling.____(features_to_calculate)
# Plot the results
ax = features.loc[:"2011-01"].plot()
prices_perc.loc[:"2011-01"].plot(ax=ax, color='k', alpha=.2, lw=3)
ax.legend(loc=(1.01, .6))
plt.show()