Zaman kaydırmalı özellikler oluşturma

Zaman serileri için Machine Learning'de, sonraki bir zaman noktasını tahmin etmek için önceki zaman noktalarına ait bilgileri kullanmak yaygındır.

Bu egzersizde, ham verini "kaydıracak" ve sonuçları görselleştireceksin. Önceki bölümde hesapladığın yüzde değişim zaman serisini bu kez çok kısa bir pencereyle kullanacaksın. Kısa bir pencere önemlidir çünkü gerçek bir senaryoda, bir zaman serisinin uzun bir zaman dilimindeki değişiminden ziyade, gün bazındaki dalgalanmalarını tahmin etmek istersin.

Bu egzersiz, kursun bir parçasıdır

Python ile Zaman Serisi Verileri için Machine Learning

Kursa Göz Atın

Egzersiz talimatları

shifts içinde belirtilen gecikmeleri kullanarak, sözlük üreteci ile prices_perc'ün birden çok zaman kaydırmalı sürümünü oluştur.
Sonucu bir DataFrame'e dönüştür.
Sonuçları görselleştirmek için verilen kodu kullan.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# These are the "time lags"
shifts = np.arange(1, 11).astype(int)

# Use a dictionary comprehension to create name: value pairs, one pair per shift
shifted_data = {"lag_{}_day".format(day_shift): prices_perc.____(____) for day_shift in shifts}

# Convert into a DataFrame for subsequent use
prices_perc_shifted = ____(shifted_data)

# Plot the first 100 samples of each
ax = prices_perc_shifted.iloc[:100].plot(cmap=plt.cm.viridis)
prices_perc.iloc[:100].plot(color='r', lw=2)
ax.legend(loc='best')
plt.show()

Kodu Düzenle ve Çalıştır