Criação de recursos com deslocamento de tempo
No aprendizado de máquina para séries temporais, é comum usar informações sobre pontos temporais anteriores para prever um ponto temporal subsequente.
Neste exercício, você "deslocará" seus dados brutos e visualizará os resultados. Você usará a série temporal de alterações percentuais que você calculou no capítulo anterior, desta vez com uma janela muito curta. Uma janela curta é importante porque, em um cenário do mundo real, você deseja prever as flutuações diárias de uma série temporal, não sua alteração em uma janela de tempo mais longa.
Este exercício faz parte do curso
Aprendizado de máquina para dados de séries temporais em Python
Instruções de exercício
- Use uma compreensão de dicionário para criar várias versões com deslocamento de tempo de
prices_percusando as defasagens especificadas emshifts. - Converta o resultado em um DataFrame.
- Use o código fornecido para visualizar os resultados.
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
# 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()