Korrelationer mellan flera tidsserier
I föregående övning extraherade du komponenten seasonal från varje tidsserie i DataFrame:en jobs och sparade resultaten i en ny DataFrame kallad seasonality_df. När det gäller jobbdata kan det vara intressant att jämföra säsongsmönster, eftersom det kan ge ledtrådar om vilka branscher som liknar varandra mest – eller skiljer sig mest åt.
Detta kan göras med hjälp av DataFrame:en seasonality_df genom att beräkna korrelationen mellan varje tidsserie i datamängden. I den här övningen använder du det du lärt dig i kapitel 4 för att beräkna och visualisera korrelationerna mellan tidsserierna i seasonality_df som en klusterkarta.
Den här övningen är en del av kursen
Visualisering av tidsseriedata i Python
Övningsinstruktioner
- Beräkna korrelationen mellan alla kolumner i DataFrame:en
seasonality_dfmed spearman-metoden och tilldela resultaten tillseasonality_corr. - Skapa en ny klusterkarta över din korrelationsmatris.
- Skriv ut korrelationsvärdet mellan säsongsmönstren för branscherna Government och Education & Health.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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(____)