ဥပမာများဖြင့် ပန်ဒါများတွင် လှည့်ပတ်ဆက်စပ်မှုကို တွက်ချက်နည်း

Rolling correlations များသည် လျှောပြတင်းပေါက်တစ်ခုပေါ်ရှိ အချိန်စီးရီးနှစ်ခုကြား ဆက်စပ်မှုများဖြစ်သည်။ ဤဆက်စပ်ဆက်နွယ်မှုအမျိုးအစား၏ အကျိုးကျေးဇူးများထဲမှတစ်ခုမှာ အချိန်နှင့်အမျှ အတွဲလိုက်နှစ်ခုကြား ဆက်စပ်မှုကို မြင်ယောင်နိုင်ခြင်းကြောင့်ဖြစ်သည်။

ဤသင်ခန်းစာသည် Python ရှိ Python ရှိ ပန်ဒါ DataFrame အတွက် လှည့်ပတ်ဆက်စပ်မှုများကို တွက်ချက်နည်းနှင့် မြင်သာအောင် ရှင်းပြထားသည်။

ပန်ဒါများတွင် လူးလှိမ့်ဆက်စပ်မှုကို တွက်ချက်နည်း

15 လတာကာလအတွင်း မတူညီသော ထုတ်ကုန်နှစ်ခု ( x နှင့် y ) အတွက် ရောင်းချသည့် ကုန်ပစ္စည်းစုစုပေါင်းအရေအတွက်ကို ပြသသည့် အောက်ပါဒေတာဘောင်တစ်ခုရှိသည်ဆိုပါစို့။

 import pandas as pd
import numpy as np

#createDataFrame
df = pd.DataFrame({'month': np. arange (1, 16),
                   'x': [13, 15, 16, 15, 17, 20, 22, 24, 25, 26, 23, 24, 23, 22, 20],
                   'y': [22, 24, 23, 27, 26, 26, 27, 30, 33, 32, 27, 25, 28, 26, 28]})

#view first six rows
df. head ()

  month xy
1 1 13 22
2 2 15 24
3 3 16 23
4 4 15 27
5 5 17 26
6 6 20 26

ပန်ဒါများတွင် လှည့်ပတ်ဆက်စပ်မှုကို တွက်ချက်ရန် Rolling.corr() လုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်ပါသည်။

ဤလုပ်ဆောင်ချက်သည် အောက်ပါ syntax ကိုအသုံးပြုသည်-

df[‘x’].rolling(width).corr(df[‘y’])

ရွှေ-

• df- ဒေတာဘောင်အမည်
• width- sliding correlation အတွက် window ၏ width ကို သတ်မှတ်သည့် ကိန်းပြည့်
• x၊ y- ကြားရှိ လျှောလိုက်ဆက်စပ်မှုကို တွက်ချက်ရန် ကော်လံနှစ်ခုအမည်များ

ထုတ်ကုန် x နှင့် ထုတ်ကုန် y အကြား 3 လပတ်လုံး ရောင်းချမှု ဆက်စပ်မှုကို တွက်ချက်ရန် ဤလုပ်ဆောင်ချက်ကို အသုံးပြုနည်းမှာ ဤအရာဖြစ်သည် ။

 #calculate 3-month rolling correlation between sales for x and y
df[' x ']. rolling (3). corr (df[' y '])

0 NaN
1 NaN
2 0.654654
3 -0.693375
4 -0.240192
5 -0.802955
6 0.802955
7 0.960769
8 0.981981
9 0.654654
10 0.882498
11 0.817057
12 -0.944911
13 -0.327327
14 -0.188982
dtype:float64

ဤလုပ်ဆောင်ချက်သည် ပြီးခဲ့သော 3 လအတွင်း ထုတ်ကုန်နှစ်ခုရောင်းချမှုကြား ဆက်စပ်မှုကို ပြန်ပေးသည်။ ဥပမာအားဖြင့်:

• 1-3 လများတွင် ရောင်းအား ဆက်စပ်မှုသည် 0.654654 ဖြစ်သည်။
• 2-4 လများတွင် အရောင်းဆက်စပ်မှုမှာ -0.693375 ဖြစ်သည်။
• 3-5 လများတွင် အရောင်းဆက်စပ်မှုမှာ -0.240192 ဖြစ်သည်။

နောက် … ပြီးတော့။

မတူညီသောအချိန်ကာလတစ်ခုအတွက် လှည့်ပတ်ဆက်စပ်မှုကို တွက်ချက်ရန် ဤဖော်မြူလာကို အလွယ်တကူ ချိန်ညှိနိုင်သည်။ ဥပမာအားဖြင့်၊ အောက်ပါကုဒ်သည် ထုတ်ကုန်နှစ်ခုကြားတွင် 6 လကြာရောင်းချမှုဆက်စပ်မှုကို တွက်ချက်နည်းကို ပြသသည်-

 #calculate 6-month rolling correlation between sales for x and y
df[' x ']. rolling (6). corr (df[' y ']) 
0 NaN
1 NaN
2 NaN
3 NaN
4 NaN
5 0.558742
6 0.485855
7 0.693103
8 0.756476
9 0.895929
10 0.906772
11 0.715542
12 0.717374
13 0.768447
14 0.454148
dtype:float64

ဤလုပ်ဆောင်ချက်သည် ယခင် 6 လအတွင်း ထုတ်ကုန်နှစ်ခုရောင်းချမှုကြား ဆက်စပ်မှုကို ပြန်ပေးသည်။ ဥပမာအားဖြင့်:

• 1-6 လများတွင် ရောင်းအား ဆက်စပ်မှုသည် 0.558742 ဖြစ်သည်။
• 2-7 လများတွင် အရောင်းဆက်စပ်မှုမှာ 0.485855 ဖြစ်သည်။
• 3-8 လများတွင် အရောင်းဆက်စပ်မှုမှာ 0.693103 ဖြစ်သည်။

နောက် … ပြီးတော့။

မှတ်ချက်များ

ဤဥပမာများတွင် အသုံးပြုသည့် လုပ်ဆောင်ချက်များနှင့်ပတ်သက်သည့် မှတ်စုအချို့မှာ အောက်ပါအတိုင်းဖြစ်သည်-

• ဆက်စပ်မှုများကို တွက်ချက်ရန်အတွက် အကျယ် (ဆိုလိုသည်မှာ drop-down window) သည် 3 နှင့် ညီမျှသည် သို့မဟုတ် ပိုကြီးရပါမည်။
• Rolling.corr() လုပ်ဆောင်ချက်အတွက် စာရွက်စာတမ်းအပြည့်အစုံကို ဤနေရာတွင် ရှာဖွေနိုင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

R တွင် လျှောတိုက်ဆက်စပ်မှုကို တွက်ချက်နည်း
Excel တွင် Rolling Correlation ကိုဘယ်လိုတွက်ရမလဲ