시차 특성 만들기
시계열을 위한 Machine Learning에서는 이후 시점을 예측하기 위해 이전 시점의 정보를 활용하는 경우가 많아요.
이번 연습 문제에서는 원시 데이터를 "이동(shift)"해서 그 결과를 시각화해 볼 거예요. 이전 장에서 계산한 percent change 시계열을 사용하되, 이번에는 아주 짧은 창(window)을 사용합니다. 실제 문제에서는 긴 구간의 변화보다 일별과 같은 짧은 간격의 변동을 예측하는 것이 중요하기 때문이에요.
이 연습은 강의의 일부입니다
Python으로 배우는 시계열 데이터 Machine Learning
연습 안내
- 딕셔너리 내포를 사용해
shifts에 지정된 시차(lag)만큼prices_perc를 여러 버전으로 이동한 데이터를 만드세요. - 그 결과를 DataFrame으로 변환하세요.
- 제공된 코드를 사용해 결과를 시각화하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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()