{"id":1171,"date":"2023-07-27T10:11:54","date_gmt":"2023-07-27T10:11:54","guid":{"rendered":"https:\/\/statorials.org\/it\/cuscinetto-di-correlazione-dei-panda\/"},"modified":"2023-07-27T10:11:54","modified_gmt":"2023-07-27T10:11:54","slug":"cuscinetto-di-correlazione-dei-panda","status":"publish","type":"post","link":"https:\/\/statorials.org\/it\/cuscinetto-di-correlazione-dei-panda\/","title":{"rendered":"Come calcolare la correlazione mobile nei panda: con esempi"},"content":{"rendered":"

<\/p>\n

\n

Le correlazioni rolling<\/strong> sono correlazioni tra due serie temporali su una finestra scorrevole. Uno dei vantaggi di questo tipo di correlazione \u00e8 che puoi visualizzare la correlazione tra due serie temporali nel tempo.<\/span><\/p>\n

Questo tutorial spiega come calcolare e visualizzare le correlazioni rolling per un DataFrame panda in Python.<\/span><\/p>\n

Come calcolare le correlazioni mobili nei panda<\/strong><\/h3>\n

Supponiamo di avere il seguente frame di dati che visualizza il numero totale di prodotti venduti per due prodotti diversi ( x<\/em> e y<\/em> ) in un periodo di 15 mesi:<\/span><\/p>\n

 import<\/span> pandas as<\/span> pd<\/span>\nimport<\/span> numpy as<\/span> np<\/span>\n\n#createDataFrame<\/span>\ndf = pd.DataFrame({'month': np. arange<\/span> (1, 16),\n                   'x': [13, 15, 16, 15, 17, 20, 22, 24, 25, 26, 23, 24, 23, 22, 20],\n                   'y': [22, 24, 23, 27, 26, 26, 27, 30, 33, 32, 27, 25, 28, 26, 28]})\n\n#view first six rows\n<\/span>df. head<\/span> ()\n\n  month xy\n1 1 13 22\n2 2 15 24\n3 3 16 23\n4 4 15 27\n5 5 17 26\n6 6 20 26<\/strong><\/pre>\n
 Per calcolare una correlazione mobile nei panda, possiamo utilizzare la funzione Rolling.corr()<\/a> .<\/span><\/p>\n
 Questa funzione utilizza la seguente sintassi:<\/span><\/p>\n
 df[‘x’].rolling(larghezza).corr(df[‘y’])<\/strong><\/span><\/p>\n
 Oro:<\/span><\/p>\n