Створення ознак зі зсувом у часі

У машинному навчанні для часових рядів часто використовують інформацію про попередні моменти часу, щоб передбачити наступний.

У цій вправі ви «зсунете» сирі дані та візуалізуєте результат. Ви використаєте часовий ряд відсоткової зміни, який обчислили в попередньому розділі, цього разу з дуже коротким вікном. Коротке вікно важливе, адже в реальному сценарії ви хочете передбачати щоденні коливання часового ряду, а не його зміну за довший проміжок часу.

Ця вправа є частиною курсу

Machine Learning для часових рядів у Python

Переглянути курс

Інструкції до вправи

Використайте словникове включення (dictionary comprehension), щоб створити кілька версій prices_perc зі зсувами, заданими в shifts.
Перетворіть результат на DataFrame.
Використайте наданий код, щоб візуалізувати результати.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()

Редагувати та запускати код