Korelacje między wieloma szeregami czasowymi
W poprzednim ćwiczeniu wyodrębniono składową seasonal każdego szeregu czasowego z ramki danych jobs i zapisano wyniki w nowej ramce danych o nazwie seasonality_df. W kontekście danych o zatrudnieniu warto porównać wzorce sezonowości – może to pomóc wskazać, które branże są do siebie najbardziej podobne, a które najbardziej się różnią.
Można to osiągnąć, korzystając z ramki danych seasonality_df i obliczając korelację między poszczególnymi szeregami czasowymi. W tym ćwiczeniu wykorzystasz wiedzę zdobytą w rozdziale 4, aby obliczyć korelacje i zwizualizować je w postaci clustermapy na podstawie ramki danych seasonality_df.
To ćwiczenie jest częścią kursu
Wizualizacja danych szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
- Oblicz korelację między wszystkimi kolumnami ramki danych
seasonality_df, używając metody Spearmana, i przypisz wynik do zmiennejseasonality_corr. - Utwórz nową clustermapę swojej macierzy korelacji.
- Wyświetl wartość korelacji między sezonowością branż Government oraz Education & Health.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Get correlation matrix of the seasonality_df DataFrame
seasonality_corr = ____
# Customize the clustermap of the seasonality_corr correlation matrix
fig = ____(____, annot=True, annot_kws={"size": 4}, linewidths=.4, figsize=(15, 10))
plt.setp(fig.ax_heatmap.yaxis.get_majorticklabels(), rotation=0)
plt.setp(fig.ax_heatmap.xaxis.get_majorticklabels(), rotation=90)
plt.show()
# Print the correlation between the seasonalities of the Government and Education & Health industries
print(____)