Анализ корреляций новых признаков

Теперь, когда у нас есть признаки на основе объёма и даты, проверим корреляции между новыми признаками (хранящимися в списке new_features) и целевой переменной (5d_close_future_pct), чтобы оценить степень их взаимосвязи. Напомним, что в pandas есть встроенный метод .corr() для DataFrame, а в seaborn — удобная функция heatmap() для визуализации корреляций.

Это упражнение является частью курса

Машинное обучение для финансов на Python

Посмотреть курс

Инструкции к упражнению

Дополните переменную new_features названиями столбцов для дней недели, например weekday_1, объединив номер дня недели со строкой 'weekday_'.
Используйте функцию heatmap из Seaborn, чтобы построить тепловую карту корреляций признаков из new_features и целевой переменной 5d_close_future_pct.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Add the weekday labels to the new_features list
new_features.extend([____ + ____ for i in range(1, 5)])

# Plot the correlations between the new features and the targets
sns.____(lng_df[____ + ['5d_close_future_pct']].corr(), annot=True)
plt.yticks(rotation=0)  # ensure y-axis ticklabels are horizontal
plt.xticks(rotation=90)  # ensure x-axis ticklabels are vertical
plt.tight_layout()
plt.show()

Редактировать и запускать код