相關性
在建立機器學習模型之前先查看相關性很有幫助，因為可以看到哪些特徵與目標的相關程度最高。常用皮爾森相關係數，它只偵測線性關係。一般也會假設資料近似常態分布，我們可以從直方圖「用眼睛估」一下。高度相關的變數，其皮爾森相關係數會接近 1（正相關）或 -1（負相關）。接近 0 的值代表兩個變數之間沒有線性相關。
如果我們對「過去的價格變動」與「未來的價格變動」使用相同的時間區間，就可以觀察股價是均值回歸（來回震盪）還是趨勢追隨（最近在上漲時未來也較可能續漲）。
本練習屬於課程
Python 金融 Machine Learning
練習說明
使用 lng_df DataFrame 及其 Adj_Close：
- 以 pandas 的
.shift(-5)建立 5 天後的未來價格（命名為5d_future_close）。 - 對
5d_future_close與Adj_Close使用pct_change(5)，分別建立未來 5 天的價格百分比變化（5d_close_future_pct）與當前 5 天的價格百分比變化（5d_close_pct）。 - 在
lng_df上用.corr()檢視這兩個 5 天百分比變化欄位之間的相關性。 - 使用
plt.scatter()，繪製5d_close_pct對5d_close_future_pct的散佈圖。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Create 5-day % changes of Adj_Close for the current day, and 5 days in the future
lng_df['5d_future_close'] = lng_df['Adj_Close'].shift(____)
lng_df['5d_close_future_pct'] = lng_df['5d_future_close'].pct_change(5)
lng_df['5d_close_pct'] = lng_df['Adj_Close'].pct_change(____)
# Calculate the correlation matrix between the 5d close pecentage changes (current and future)
corr = lng_df[['5d_close_pct', '5d_close_future_pct']].____
print(corr)
# Scatter the current 5-day percent change vs the future 5-day percent change
plt.scatter(lng_df['5d_close_pct'], lng_df[____])
plt.show()