Explore os dados com um pouco de EDA

Primeiro, vamos explorar os dados. Sempre que começamos um projeto de Machine Learning (ML), precisamos antes fazer uma análise exploratória de dados (EDA) para nos familiarizar com os dados. Isso inclui coisas como:

gráficos dos dados brutos
histogramas
entre outros…

Eu normalmente começo com gráficos dos dados brutos e histogramas. Isso nos permite entender as distribuições dos dados. Se for uma distribuição normal, podemos usar estatísticas paramétricas, por exemplo.

Há duas ações carregadas para você em DataFrames do pandas: lng_df e spy_df (LNG e SPY). Dê uma olhada nelas com .head(). Usaremos os preços de fechamento e, depois, o volume como entradas para algoritmos de ML.

Observação: Vamos chamar plt.clf() sempre que quisermos fazer um novo gráfico, ou f = plt.figure().

Este exercicio faz parte do curso

Machine Learning para Finanças em Python

Ver curso

Instruções do exercicio

Imprima as primeiras 5 linhas dos dois DataFrames (lng_df e spy_df) e examine seu conteúdo.
Use a biblioteca pandas para plotar as séries temporais brutas de 'SPY' e 'LNG' com o preço de fechamento ajustado ('Adj_Close') — defina legend=True em .plot().
Use plt.show() para exibir o gráfico de séries temporais brutas (matplotlib.pyplot já foi importado como plt).
Use pandas e matplotlib para fazer um histograma da variação percentual diária (1 dia) do fechamento ajustado (use .pct_change()) para SPY e LNG.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

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()

Editar e Executar Código