Biraz EDA ile veriyi keşfet
Önce veriyi keşfedelim. Bir Machine Learning (ML) projesine başlarken, önce veriye aşina olmak için keşifsel veri analizi (EDA) yapmamız gerekir. Buna şunlar dahildir:
- ham veri grafikleri
- histogramlar
- ve daha fazlası…
Genelde ham veri grafikleri ve histogramlarla başlarım. Bu, verimizin dağılımlarını anlamamıza yardımcı olur. Eğer normal dağılım varsa, parametrik istatistikler gibi yöntemleri kullanabiliriz.
Senin için iki hisse pandas DataFrame'lerine yüklendi: lng_df ve spy_df (LNG ve SPY). Onlara .head() ile bir göz at. Kapanış fiyatlarını ve ileride hacmi ML algoritmalarına girdi olarak kullanacağız.
Not: Her yeni grafik çizmek istediğimizde plt.clf() ya da f = plt.figure() çağıracağız.
Bu egzersiz, kursun bir parçasıdır
Python ile Finans için Machine Learning
Egzersiz talimatları
- İki DataFrame'in (
lng_dfvespy_df) ilk 5 satırını yazdır ve içeriklerini incele. - pandas kütüphanesini kullanarak
'SPY've'LNG'için ayarlanmış kapanış fiyatı ('Adj_Close') ile ham zaman serisi verisini çiz —.plot()içindelegend=Trueayarla. - Ham zaman serisi grafiğini göstermek için
plt.show()kullan (matplotlib.pyplotpltolarak içe aktarıldı). - SPY ve LNG için ayarlanmış kapanışın 1 günlük yüzdelik farkının histogramını (
.pct_change()kullan) pandas ve matplotlib ile oluştur.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
print(lng_df.head()) # examine the DataFrames
print(____) # examine the SPY DataFrame
# Plot the Adj_Close columns for SPY and LNG
spy_df[____].plot(label='SPY', legend=True)
lng_df[____].plot(label=____, ____, secondary_y=True)
____ # show the plot
plt.clf() # clear the plot space
# Histogram of the daily price change percent of Adj_Close for LNG
lng_df['Adj_Close'].____.plot.hist(bins=50)
plt.xlabel('adjusted close 1-day percent change')
plt.show()