Median av börsvärde per IPO-år

I den sista lektionen i föregående kapitel skapade du en tidslinje över antalet IPO:er per år för teknikbolag.

Låt oss nu analysera hur börsvärdet har utvecklats för olika IPO-år. Du kan kombinera data från alla tre börser för att få en mer heltäckande bild.

pandas som pd och matplotlib.pyplot som plt har importerats, och DataFrame:n listings från tidigare övningar – som nu innehåller en tillagd referenskolumn 'exchange' med börsen för varje noterat bolag – finns tillgänglig i din arbetsyta.

Den här övningen är en del av kursen

Importera och hantera finansiell data i Python

Visa kurs

Övningsinstruktioner

Inspektera och visa listings med .info() och .head().
Använd broadcasting för att skapa en ny kolumn market_cap_m i listings som innehåller börsvärdet i miljoner USD.
Välj ut alla bolag med ett 'IPO Year' efter 1985.
Ta bort alla saknade värden i kolumnen 'IPO Year' och konvertera de återstående värdena till dtype integer.
Gruppera listings efter 'IPO Year', välj kolumnen market_cap_m, beräkna median, sortera med .sort_index() och tilldela resultatet till ipo_by_year.
Plotta och visa resultaten som ett stapeldiagram.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()

Redigera och kör kod