Mediane marktkapitalisatie per IPO-jaar

In de laatste les van het vorige hoofdstuk heb je een tijdlijn gemaakt van het aantal IPO’s per jaar voor technologiebedrijven.

Laten we nu analyseren hoe de marktkapitalisatie zich heeft ontwikkeld voor verschillende IPO-jaren. Je kunt gegevens van alle drie de beurzen combineren voor een vollediger beeld.

pandas als pd en matplotlib.pyplot als plt zijn geïmporteerd, en de DataFrame listings uit eerdere oefeningen — die nu een extra referentiekolom 'exchange' bevat met de beurs van elk genoteerd bedrijf — is beschikbaar in je werkruimte.

Deze oefening maakt deel uit van de cursus

Financiële data importeren en beheren in Python

Cursus bekijken

Oefeninstructies

Inspecteer en toon listings met .info() en .head().
Maak met broadcasting een nieuwe kolom market_cap_m voor listings met de marktkap in miljoenen USD.
Selecteer alle bedrijven met een 'IPO Year' na 1985.
Verwijder alle missende waarden in de kolom 'IPO Year', en zet de overgebleven waarden om naar dtype integer.
Groepeer listings op 'IPO Year', selecteer de kolom market_cap_m en bereken de median, sorteer met .sort_index(), en wijs het resultaat toe aan ipo_by_year.
Plot en toon de resultaten als staafdiagram.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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()

Code bewerken en uitvoeren