Creare feature con spostamenti temporali
Nel Machine Learning per le serie temporali, è comune usare le informazioni dei punti temporali precedenti per prevedere un punto temporale successivo.
In questo esercizio, "sposterai" i tuoi dati grezzi e ne visualizzerai i risultati. Userai la serie temporale della variazione percentuale che hai calcolato nel capitolo precedente, questa volta con una finestra molto breve. Una finestra corta è importante perché, in uno scenario reale, vuoi prevedere le oscillazioni giornaliere di una serie temporale, non il cambiamento su una finestra di tempo più lunga.
Questo esercizio fa parte del corso
Machine Learning per dati di serie temporali in Python
Istruzioni dell'esercizio
- Usa una dictionary comprehension per creare più versioni sfasate nel tempo di
prices_percutilizzando i ritardi specificati inshifts. - Converte il risultato in un DataFrame.
- Usa il codice fornito per visualizzare i risultati.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# These are the "time lags"
shifts = np.arange(1, 11).astype(int)
# Use a dictionary comprehension to create name: value pairs, one pair per shift
shifted_data = {"lag_{}_day".format(day_shift): prices_perc.____(____) for day_shift in shifts}
# Convert into a DataFrame for subsequent use
prices_perc_shifted = ____(shifted_data)
# Plot the first 100 samples of each
ax = prices_perc_shifted.iloc[:100].plot(cmap=plt.cm.viridis)
prices_perc.iloc[:100].plot(color='r', lw=2)
ax.legend(loc='best')
plt.show()