Calculer plusieurs indicateurs par secteur et année d’IPO

La fonction pointplot() de seaborn facilite la comparaison de statistiques récapitulatives d’une variable numérique selon différents niveaux de variables catégorielles :

seaborn.pointplot(x=None, y=None, hue=None, data=None, ...)

Dans la vidéo, vous avez vu une visualisation de la capitalisation boursière (la variable numérique) différenciée selon que l’IPO (la variable catégorielle) a eu lieu avant (premier niveau) ou après (deuxième niveau) l’an 2000.

Dans cet exercice, vous allez comparer la capitalisation boursière moyenne pour chaque année depuis 2000 pour le NYSE et le NASDAQ, après avoir exclu les valeurs aberrantes au‑delà du 95e percentile. pandas sous l’alias pd et matplotlib.pyplot sous l’alias plt ont été importés, et le DataFrame listings avec la colonne de référence 'Exchange' est disponible dans votre espace de travail.

Cet exercice fait partie du cours

Importer et gérer des données financières en Python

Afficher le cours

Instructions

Importez seaborn sous l’alias sns.
Filtrez listings pour ne garder que les entreprises dont l’IPO est postérieure à 2000 et provenant de toutes les places boursières sauf 'amex'.
Convertissez les données de la colonne 'IPO Year' en entiers.
Créez la colonne market_cap_m pour exprimer la capitalisation en millions de dollars (USD).
Filtrez market_cap_m pour exclure les valeurs au‑dessus du 95e percentile.
Créez un pointplot de listings en utilisant la colonne 'IPO Year' pour x, 'market_cap_m' pour y, et 'Exchange' pour hue. Affichez le résultat après avoir fait pivoter les xticks de 45 degrés.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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()

Modifier et exécuter le code