Кореляції між кількома часовими рядами
У попередній вправі ви виділили компоненту seasonal для кожного часового ряду в датафреймі jobs і зберегли результати в новому датафреймі під назвою seasonality_df. У контексті даних про зайнятість цікаво порівнювати сезонність, адже це може допомогти з'ясувати, які галузі найбільш подібні або, навпаки, відрізняються.
Цього можна досягти, використовуючи датафрейм seasonality_df і обчисливши кореляцію між кожним часовим рядом у наборі даних. У цій вправі ви застосуєте знання з розділу 4, щоб обчислити та побудувати візуалізацію clustermap кореляцій між часовими рядами в датафреймі seasonality_df.
Ця вправа є частиною курсу
Візуалізація часових рядів у Python
Інструкції до вправи
- Обчисліть кореляцію між усіма стовпцями в датафреймі
seasonality_dfметодом Spearman і запишіть результат уseasonality_corr. - Створіть новий clustermap для вашої кореляційної матриці.
- Виведіть значення кореляції між сезонностями галузей Government та Education & Health.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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(____)