Výpočet různých metrik podle sektoru a roku IPO
Funkce pointplot() z knihovny seaborn usnadňuje porovnávání souhrnných statistik numerické proměnné pro různé úrovně kategorických proměnných:
seaborn.pointplot(x=None, y=None, hue=None, data=None, ...)
Ve videu jsi viděl/a vizualizaci tržní kapitalizace (numerická proměnná) rozlišenou podle toho, zda k IPO (kategorická proměnná) došlo před rokem 2000 (první úroveň), nebo po něm (druhá úroveň).
V tomto cvičení porovnáš průměrnou tržní kapitalizaci pro každý rok od roku 2000 na burzách NYSE a NASDAQ – po vyřazení odlehlých hodnot nad 95. percentilem. Knihovny pandas jako pd a matplotlib.pyplot jako plt jsou již naimportovány a DataFrame listings s referenčním sloupcem 'Exchange' je dostupný v tvém pracovním prostoru.
Toto cvičení je součástí kurzu
Importing and Managing Financial Data in Python
Pokyny k cvičení
- Importuj
seabornjakosns. - Filtruj
listingstak, aby obsahoval pouze společnosti s IPO po roce 2000 ze všech burz kromě'amex'. - Převeď data ve sloupci
'IPO Year'na celá čísla. - Vytvoř sloupec
market_cap_m, který vyjadřuje tržní kapitalizaci v milionech USD. - Filtruj
market_cap_mtak, aby byly vyřazeny hodnoty nad 95. percentilem. - Vytvoř
pointplotprolistingss použitím sloupce'IPO Year'prox,'market_cap_m'proya'Exchange'prohue. Zobraz výsledek s popisky osy x otočenými o 45 stupňů.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import the seaborn library as sns
____
# Exclude IPOs before 2000 and from the 'amex'
listings = ____[(____['IPO Year'] > ____) & (listings.Exchange != ____)]
# Convert IPO Year to integer
listings['IPO Year'] = ____['IPO Year'].____(____)
# Create market_cap_m
listings['market_cap_m'] = ____['Market Capitalization'].div(1e6)
# Exclude outliers
listings = listings[listings.____ < listings.____.____(.95)]
# Create the pointplot
sns.pointplot(x=____, y=____, hue=____, data=____)
# Rotate xticks
plt.____(____=____)
# Show the plot
plt.show()