In één keer meerdere rollende kenmerken maken
Nu je wat eenvoudige feature engineering hebt geoefend, gaan we door naar iets complexers. Je berekent een verzameling kenmerken voor je tijdreeksgegevens en visualiseert hoe die er in de tijd uitzien. Dit lijkt op hoe veel andere tijdreeksmodellen werken.
Deze oefening maakt deel uit van de cursus
Machine Learning voor tijdreeksgegevens in Python
Oefeninstructies
- Definieer een lijst met vier kenmerken die je gaat berekenen: het minimum, maximum, gemiddelde en de standaarddeviatie (in die volgorde).
- Gebruik het rollende venster (
prices_perc_rolling) dat we voor je hebben gedefinieerd om de kenmerken uitfeatures_to_calculatete berekenen. - Plot de resultaten in de tijd, samen met de oorspronkelijke tijdreeks met de gegeven code.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# 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()