EDA로 데이터 훑어보기
먼저 데이터를 살펴보겠습니다. Machine Learning(ML) 프로젝트를 시작할 때는 항상 탐색적 데이터 분석(EDA)으로 데이터에 익숙해지는 과정이 필요해요. 여기에는 다음과 같은 작업이 포함됩니다:
- 원시(raw) 데이터 플롯
- 히스토그램
- 기타 등등
저는 보통 원시 데이터 플롯과 히스토그램부터 시작합니다. 이렇게 하면 데이터의 분포를 이해할 수 있어요. 정규분포에 가깝다면 모수 통계 같은 방법을 사용할 수 있죠.
두 개의 주식 데이터가 pandas DataFrame인 lng_df와 spy_df(LNG와 SPY)로 불러와져 있어요. .head()로 확인해 보세요. 우리는 종가와 나중에는 거래량을 ML 알고리즘의 입력으로 사용할 예정입니다.
참고: 새 플롯을 만들 때마다 plt.clf() 또는 f = plt.figure()를 호출할 거예요.
이 연습은 강의의 일부입니다
Python으로 배우는 금융 분야 Machine Learning
연습 안내
- 두 DataFrame(
lng_df,spy_df)의 처음 5줄을 출력하고 내용을 확인하세요. - pandas를 사용해
'SPY'와'LNG'의 조정 종가('Adj_Close')로 원시 시계열 데이터를 플로팅하세요 —.plot()에서legend=True를 설정하세요. - 원시 시계열 플롯을 표시하려면
plt.show()를 사용하세요(matplotlib.pyplot은plt로 임포트되어 있습니다). - pandas와 matplotlib로 SPY와 LNG의 조정 종가 1일 퍼센트 변화(
.pct_change()사용 )에 대한 히스토그램을 만드세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
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()