Beräkna flera nyckeltal per sektor och IPO-år
Funktionen pointplot() i seaborn underlättar jämförelsen av sammanfattande statistik för en numerisk variabel uppdelad på olika nivåer av kategoriska variabler:
seaborn.pointplot(x=None, y=None, hue=None, data=None, ...)
I videon såg du en visualisering av börsvärdet (den numeriska variabeln) uppdelat på om börsnoteringen (den kategoriska variabeln) skedde före (första nivån) eller efter (andra nivån) år 2000.
I den här övningen ska du jämföra det genomsnittliga börsvärdet för varje år sedan 2000 för NYSE och NASDAQ, efter att ha exkluderat extremvärden över den 95:e percentilen. pandas som pd och matplotlib.pyplot som plt har importerats, och DataFrame listings med referenskolumnen 'Exchange' finns tillgänglig i din arbetsyta.
Den här övningen är en del av kursen
Importera och hantera finansiell data i Python
Övningsinstruktioner
- Importera
seabornsomsns. - Filtrera
listingsså att bara företag med börsnoteringar efter 2000 från alla börser utom'amex'ingår. - Konvertera datan i kolumnen
'IPO Year'till heltal. - Skapa kolumnen
market_cap_mför att uttrycka börsvärdet i miljoner USD. - Filtrera
market_cap_mså att värden över den 95:e percentilen exkluderas. - Skapa ett
pointplotförlistingsmed kolumnen'IPO Year'förx,'market_cap_m'föryoch'Exchange'förhue. Visa resultatet efter att ha roteratxticks45 grader.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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()