Définissez 'Stock Symbol' comme index de listings et affectez le résultat à listings_ss.
Utilisez .loc[] pour filtrer les lignes où le secteur de l’entreprise est 'Finance' et extraire la colonne 'Market Capitalization'. Appliquez .nlargest() pour affecter à top_3_companies les 3 plus grandes entreprises par capitalisation boursière.
Convertissez l’index du résultat en liste et affectez-la à top_3_tickers.
Utilisez date() pour définir start au 1er janvier 2015.
Utilisez date() pour définir end au 1er avril 2020.
Utilisez DataReader() pour récupérer les données boursières de top_3_tickers depuis 'iex' de start à end et affectez-les à result.
Appliquez la méthode .stack() pour convertir le DataFrame au format long en déplaçant les tickers dans l’index.
Sélectionnez 'close' à partir de data, appliquez .unstack() et inspectez le DataFrame obtenu, désormais au format large, avec .info().

DataReader : accéder en ligne aux données financières