1. Learn
    2. /
  2. Courses
    3. /
  3. Machine Learning для фінансів у Python
Connected

Exercise

Дослідіть дані за допомогою EDA

Спершу давайте дослідимо дані. Коли ми починаємо проєкт з машинного навчання (ML), спершу потрібно виконати розвідувальний аналіз даних (EDA), щоб ознайомитися з набором даних. Це включає, зокрема:

  • графіки «сирих» даних
  • гістограми
  • та інше…

Зазвичай я починаю з графіків «сирих» даних і гістограм. Це дає змогу зрозуміти розподіли в наших даних. Якщо розподіл нормальний, ми можемо застосовувати параметричну статистику.

Для вас завантажено два акції у датафрейми pandas: lng_df та spy_df (LNG і SPY). Перегляньте їх за допомогою .head(). Ми використаємо ціни закриття і згодом обсяги як вхідні ознаки для алгоритмів ML.

Примітка: Ми викликатимемо plt.clf() щоразу, коли хочемо створити новий графік, або f = plt.figure().

Instructions

100 XP
  • Виведіть перші 5 рядків двох датафреймів (lng_df і spy_df) та перегляньте їхній вміст.
  • За допомогою бібліотеки pandas побудуйте графіки «сирих» часових рядів для 'SPY' і 'LNG' за скоригованою ціною закриття ('Adj_Close') — встановіть legend=True у .plot().
  • Використайте plt.show(), щоб показати графік «сирого» часового ряду (модуль matplotlib.pyplot імпортовано як plt).
  • За допомогою pandas і matplotlib побудуйте гістограму одноденної відсоткової зміни скоригованої ціни закриття (використайте .pct_change()) для SPY і LNG.