สหสัมพันธ์ระหว่างอนุกรมเวลาหลายชุด
ในแบบฝึกหัดก่อนหน้า คุณได้ดึงองค์ประกอบ seasonal ของแต่ละอนุกรมเวลาใน DataFrame jobs และบันทึกผลลัพธ์เหล่านั้นไว้ใน DataFrame ใหม่ชื่อ seasonality_df ในบริบทของข้อมูลงาน การเปรียบเทียบพฤติกรรมตามฤดูกาล (seasonality) อาจช่วยเผยให้เห็นว่าอุตสาหกรรมใดมีลักษณะคล้ายคลึงหรือแตกต่างกันมากที่สุด
สิ่งนี้ทำได้โดยใช้ DataFrame seasonality_df และคำนวณสหสัมพันธ์ระหว่างแต่ละอนุกรมเวลาในชุดข้อมูล ในแบบฝึกหัดนี้ จะนำความรู้จาก Chapter 4 มาใช้เพื่อคำนวณและสร้างภาพ clustermap ของสหสัมพันธ์ระหว่างอนุกรมเวลาใน DataFrame seasonality_df
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การแสดงภาพข้อมูล Time Series ด้วย Python
คำแนะนำการฝึกหัด
- คำนวณสหสัมพันธ์ระหว่างทุกคอลัมน์ใน DataFrame
seasonality_dfโดยใช้วิธี spearman และกำหนดผลลัพธ์ให้กับseasonality_corr - สร้าง clustermap ใหม่จาก correlation matrix ของคุณ
- แสดงค่าสหสัมพันธ์ระหว่างค่าตามฤดูกาลของอุตสาหกรรม Government และ Education & Health
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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(____)