Kom igångKom igång gratis

Vilket delstat är mest marknadsvänligt?

När du utforskar bondsmarknadsdatan undrar du vilka mönster som kan framträda om du aggregerar på delstatsnivå. Är vissa delstater mer marknadsvänliga än andra? För att undersöka detta grupperar du dina data efter delstat och beräknar det logaritmerade antalet marknader (log_markets) och delstaternas befolkningsstorlekar (log_pop).

markets_and_pop = (markets
    .groupby('state', as_index = False)
    .agg({
       'name': lambda d: log(len(d)),
       'state_pop': lambda d: log(d.iloc[0]) })
    .rename(columns = {
        'name': 'log_markets', 
        'state_pop': 'log_pop' }))

För att visualisera datan väljer du att använda ett regressionsdiagram för att få en bild av det "normala" förhållandet mellan antal marknader och befolkningsstorlek, samt ett text-scatter-diagram för att snabbt identifiera intressanta avvikande värden.

Den här övningen är en del av kursen

Förbättra dina datavisualiseringar i Python

Visa kurs

Övningsinstruktioner

  • Iterera över raderna i DataFrame:n markets_and_pop.
  • Placera annoteringarna intill sina respektive punkter i spridningsdiagrammet.
  • Minska annoteringarnas textstorlek till 10 punkter.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

g = sns.regplot(
    "log_markets", "log_pop", 
    ci = False,
    # Shrink scatter plot points
    scatter_kws = {'s':2},
    data = markets_and_pop)

# Iterate over the rows of the data
for _, row in markets_and_pop.____():
    state, _, _, log_markets, log_pop = row
    # Place annotation and reduce size for clarity
    g.annotate(state, (____,____), ____ = ____)

plt.show()
Redigera och kör kod