{"id":1171,"date":"2023-07-27T10:11:54","date_gmt":"2023-07-27T10:11:54","guid":{"rendered":"https:\/\/statorials.org\/nl\/correlatie-van-pandas\/"},"modified":"2023-07-27T10:11:54","modified_gmt":"2023-07-27T10:11:54","slug":"correlatie-van-pandas","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/correlatie-van-pandas\/","title":{"rendered":"Hoe de rollende correlatie bij panda's te berekenen: met voorbeelden"},"content":{"rendered":"

<\/p>\n

\n

Rolling correlaties<\/strong> zijn correlaties tussen twee tijdreeksen over een glijdend venster. Een van de voordelen van dit soort correlatie is dat u de correlatie tussen twee tijdreeksen in de loop van de tijd kunt visualiseren.<\/span><\/p>\n

In deze zelfstudie wordt uitgelegd hoe u rollende correlaties voor een panda’s DataFrame in Python kunt berekenen en visualiseren.<\/span><\/p>\n

Hoe rollende correlaties bij panda’s te berekenen<\/strong><\/h3>\n

Stel dat we het volgende gegevensframe hebben dat het totale aantal verkochte producten voor twee verschillende producten ( x<\/em> en y<\/em> ) weergeeft over een periode van 15 maanden:<\/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
 Om een rollende correlatie bij panda’s te berekenen, kunnen we de functie Rolling.corr()<\/a> gebruiken.<\/span><\/p>\n
 Deze functie gebruikt de volgende syntaxis:<\/span><\/p>\n
 df[‚x‘].rolling(breedte).corr(df[‚y‘])<\/strong><\/span><\/p>\n
 Goud:<\/span><\/p>\n