Python 時系列分析 1,000本ノック– ノック33: 時系列のラグプロット –

問題
答え
解説

次の Python コードの出力はどれでしょうか？

Python コード:

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

np.random.seed(12)

data = np.random.randn(100)

ts = pd.Series(data)

pd.plotting.lag_plot(ts, lag=3)

plt.show()

import pandas as pd import numpy as np import matplotlib.pyplot as plt np.random.seed(12) data = np.random.randn(100) ts = pd.Series(data) pd.plotting.lag_plot(ts, lag=3) plt.show()

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(12)
data = np.random.randn(100)
ts = pd.Series(data)

pd.plotting.lag_plot(ts, lag=3)
plt.show()

回答の選択肢:

(A) 3期前のラグの時系列データの折れ線グラフ
(B) 3期後のラグの時系列データの折れ線グラフ
(C) 各時点と3期間前のデータの関係性を示す散布図
(D) 各時点と3期間後のデータの関係性を示す散布図

このコードは、時系列データのラグプロット（遅延プロット）を作成します。ラグプロットは、時系列データがランダムなホワイトノイズか、それとも時間依存のパターンを持っているかを視覚的に確認するための有効なツールです。

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

np.random.seed(12)

data = np.random.randn(100)

ts = pd.Series(data)

pd.plotting.lag_plot(ts, lag=3)

plt.show()

import pandas as pd import numpy as np import matplotlib.pyplot as plt np.random.seed(12) data = np.random.randn(100) ts = pd.Series(data) pd.plotting.lag_plot(ts, lag=3) plt.show()

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(12)
data = np.random.randn(100)
ts = pd.Series(data)

pd.plotting.lag_plot(ts, lag=3)
plt.show()

詳しく説明します。

numpyのrandom.randn関数を使用して、平均0、標準偏差1の標準正規分布に従うランダムな100個の数字を生成します。このデータを時系列データとします。

np.random.seed(12)

data = np.random.randn(100)

np.random.seed(12) data = np.random.randn(100)

np.random.seed(12)
data = np.random.randn(100)

dataに格納されているデータは次のようになっています。

[ 0.47298583 -0.68142588  0.2424395  -1.70073563  0.75314283 -1.53472134
  0.00512708 -0.12022767 -0.80698188  2.87181939 -0.59782292  0.47245699
  1.09595612 -1.2151688   1.34235637 -0.12214979  1.01251548 -0.91386915
 -1.02953021  1.20979645  0.5018723   0.13884618  0.64076111  0.52733267
 -1.15436024 -2.21333348 -1.68175651 -1.78809425 -2.21853495 -0.64743078
 -0.52840432 -0.03920917  0.21497595 -0.3843588  -0.25390408  0.07325207
 -0.99720384 -0.71385629  0.03541635 -0.67794537 -0.57188106 -0.10586232
  1.33583134  0.31866529 -0.33759525 -0.58526828 -0.11491994  2.24181779
 -3.14741652  0.53513589  0.23249044  0.86761195 -1.14821271  2.11434424
  1.00094276 -0.051415    0.1597877  -0.71626359  0.05052283 -0.14333741
  0.94357539  0.35764423 -0.0834492   0.6778061   0.55606037  0.22271946
 -1.52898548  1.02921118 -1.16625876 -1.00956165 -0.10526799  0.51202216
  1.40772776 -1.68769633  1.47123399  1.63646291 -0.46139494 -0.20136227
 -0.57181673 -0.60329911 -1.33938922 -1.68965292 -0.19932734  0.25777259
  1.82882072 -1.00100155 -2.09169121  0.14655971 -0.4663511   0.35622301
 -0.39787973 -1.25922352 -0.68887869  0.80263045  0.27239104 -0.9691765
  0.87196812 -1.44635944 -0.53648126  0.19792052]

この生成したデータをpandasのSeriesに変換しています。Seriesはpandasの基本的なデータ構造の一つで、1次元の配列のようなオブジェクトで、同じタイプのデータ（整数、文字列、浮動小数点数など）を保持できます。

ts = pd.Series(data)

ts = pd.Series(data)

tsに格納されているデータは次のようになっています。

0     0.472986
1    -0.681426
2     0.242439
3    -1.700736
4     0.753143
        ...   
95   -0.969176
96    0.871968
97   -1.446359
98   -0.536481
99    0.197921
Length: 100, dtype: float64

pandasのplotting.lag_plot関数を使用して、ラグプロットを生成しています。この関数は、時系列データのラグ（遅延）バージョンとオリジナルを散布図にプロットします。ここではラグを3に設定したので、各時点のデータ（t）に対して、3期間前のデータ（t-3）との関係が示されます。

pd.plotting.lag_plot(ts, lag=3)

plt.show()

pd.plotting.lag_plot(ts, lag=3) plt.show()

pd.plotting.lag_plot(ts, lag=3)
plt.show()

matplotlibのshow関数を呼び出して、生成したプロットを表示しています。