Mediánová tržní kapitalizace podle roku IPO

V poslední lekci předchozí kapitoly jsi vytvořil/a časovou osu počtu IPO za rok pro technologické společnosti.

Podívejme se teď na to, jak se tržní kapitalizace vyvíjela v závislosti na roce vstupu na burzu. Kombinací dat ze všech tří burz získáš ucelenější přehled.

pandas je importován jako pd a matplotlib.pyplot jako plt. DataFrame listings z předchozích cvičení je dostupný v pracovním prostředí a obsahuje přidaný referenční sloupec 'exchange' s názvem burzy pro každou listedou společnost.

Toto cvičení je součástí kurzu

Importing and Managing Financial Data in Python

Zobrazit kurz

Pokyny k cvičení

Prohlédni si a zobraz listings pomocí .info() a .head().
Pomocí broadcastingu vytvoř v listings nový sloupec market_cap_m, který bude obsahovat tržní kapitalizaci v milionech USD.
Vyber všechny společnosti s hodnotou 'IPO Year' po roce 1985.
Odstraň všechny chybějící hodnoty ve sloupci 'IPO Year' a převeď zbývající hodnoty na datový typ dtype integer.
Seskup listings podle 'IPO Year', vyber sloupec market_cap_m, vypočítej median, seřaď výsledek pomocí .sort_index() a přiřaď ho proměnné ipo_by_year.
Výsledky vykresli jako sloupcový graf a zobraz ho.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Inspect listings
listings.____()

# Show listings head
print(listings.____())

# Create market_cap_m
listings['market_cap_m'] = ____[____].div(1e6)

# Select companies with IPO after 1985
listings = listings[____[____] > ____]

# Drop missing values and convert to integers
listings['IPO Year'] = ____[____].dropna().____(int)

# Calculate the median market cap by IPO Year and sort the index
ipo_by_year = listings.____(____).____.median().____()

# Plot results as a bar chart
ipo_by_year.plot(kind='bar')

# Show the plot
plt.show()

Upravit a spustit kód