时间序列挖掘+ABM构建学习

        这里跑通了一个经典ABM模型：玻尔兹曼财富模型：模拟现实中的财富不平等

        探索性数据分析（Exploratory Data Analysis, EDA）是一组数据分析技术，旨在总结其主要特征，通常通过可视化手段来实现。EDA 的目标是通过数据的统计摘要和图形展示来发现数据的结构、异常值、模式、趋势、关系以及变量之间的相互作用。

        现在的数据挖掘类比赛中，模型和方法选择空间往往很小，同时存在不少自动机器学习框架（如AutoGulon、AutoSKLearn）会基于一定规则，自动构造特征，采用尽可能多的模型组合来获得好分数。因此最后的关键涨分点落在了对数据的理解上，并由此构造的强特征（对结果有关键影响的变量）。

        因此在拿到一个数据集后，需要对数据做尽可能多的探索，了解数据所在的领域先验知识，数据本身的特性等，并总结为一系列有用的信息。

        在这一章里面跟随者领航者的脚步，学习了pandas库的不少的应用信息，一步步的探索价格曲线的走势，其中还了解到了鸭子曲线，以及少部分特征工程的内容，负电价与高电价形成原因分析，最后就是简单的相关性分析。

        综合以上，我们可以总结出几点：

1. 气象状况对出清价格有较大影响

2. 节假日对出清价格有较大影响，易于出现负值

3. 总负荷与出清价格线性关系很高，但总体呈现分段线性的特征

4. 不同月份/小时下的出清价格受市场竞争影响较大

5. 碳中和不断发展，火电价格有总体下降的趋势