用 EDA 探索数据
首先，我们来探索数据。开始任何机器学习（ML）项目之前，都需要先做探索性数据分析（EDA），以便熟悉数据。这通常包括：
- 原始数据图
- 直方图
- 以及其他分析……
我通常从原始数据图和直方图开始。这样可以帮助我们理解数据的分布。如果接近正态分布，就可以使用参数统计等方法。
已经为您加载了两只股票的数据到 pandas DataFrame：lng_df 和 spy_df（对应 LNG 与 SPY）。请使用 .head() 查看它们。我们将使用收盘价，后续还会使用成交量，作为机器学习算法的输入。
注意：每次需要绘制新图时，请调用 plt.clf()，或者使用 f = plt.figure()。
本练习是课程的一部分
Python 金融机器学习
练习说明
- 打印两个 DataFrame（
lng_df和spy_df）的前 5 行并查看其内容。 - 使用 pandas 绘制
'SPY'和'LNG'的原始时间序列（调整收盘价"Adj_Close"），在.plot()中设置legend=True。 - 使用
plt.show()显示原始时间序列图（matplotlib.pyplot已以plt导入）。 - 使用 pandas 和 matplotlib 为 SPY 与 LNG 绘制调整收盘价 1 天百分比变动（使用
.pct_change()）的直方图。
交互式实操练习
通过完成这段示例代码来试试这个练习。
print(lng_df.head()) # examine the DataFrames
print(____) # examine the SPY DataFrame
# Plot the Adj_Close columns for SPY and LNG
spy_df[____].plot(label='SPY', legend=True)
lng_df[____].plot(label=____, ____, secondary_y=True)
____ # show the plot
plt.clf() # clear the plot space
# Histogram of the daily price change percent of Adj_Close for LNG
lng_df['Adj_Close'].____.plot.hist(bins=50)
plt.xlabel('adjusted close 1-day percent change')
plt.show()