เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

เริ่มต้นด้วยการดู Autocorrelation

เนื่องจากอนุกรมอุณหภูมิ temp_NY เป็น random walk แบบมี drift ให้หาผลต่างอันดับแรกเพื่อทำให้อนุกรมเป็น stationary จากนั้นคำนวณ ACF และ PACF ของตัวอย่าง ซึ่งจะช่วยให้เห็นแนวทางในการกำหนด order ของโมเดล

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การวิเคราะห์อนุกรมเวลาด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • นำเข้าโมดูลสำหรับพล็อต ACF และ PACF ของตัวอย่าง
  • หาผลต่างอันดับแรกของ DataFrame temp_NY โดยใช้เมธอด .diff() ของ pandas
  • สร้าง subplot สองอัน สำหรับพล็อต ACF และ PACF
    • พล็อต ACF ของตัวอย่างสำหรับอนุกรมที่หาผลต่างแล้ว
    • พล็อต PACF ของตัวอย่างสำหรับอนุกรมที่หาผลต่างแล้ว

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import the modules for plotting the sample ACF and PACF
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# Take first difference of the temperature Series
chg_temp = ___.___
chg_temp = chg_temp.dropna()

# Plot the ACF and PACF on the same page
fig, axes = plt.subplots(2,1)

# Plot the ACF
plot_acf(___, lags=20, ax=axes[0])

# Plot the PACF
plot_pacf(___, lags=20, ax=axes[1])
plt.show()
แก้ไขและรันโค้ด