เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

คำนวณหลายเมตริกตามภาคธุรกิจและปี IPO

ฟังก์ชัน pointplot() ของ seaborn ช่วยให้เปรียบเทียบสถิติสรุปของตัวแปรเชิงตัวเลขในแต่ละระดับของตัวแปรเชิงหมวดหมู่ได้สะดวก:

seaborn.pointplot(x=None, y=None, hue=None, data=None, ...)

ในวิดีโอ คุณได้เห็นการแสดงภาพ market capitalization (ตัวแปรเชิงตัวเลข) โดยแบ่งตามว่า IPO (ตัวแปรเชิงหมวดหมู่) เกิดขึ้นก่อน (ระดับแรก) หรือหลัง (ระดับที่สอง) ปี 2000

ในแบบฝึกหัดนี้ คุณจะเปรียบเทียบค่าเฉลี่ย market capitalization ของแต่ละปีตั้งแต่ปี 2000 สำหรับ NYSE และ NASDAQ โดยตัด outlier ที่เกินเปอร์เซ็นไทล์ที่ 95 ออก มีการ import pandas ในชื่อ pd และ matplotlib.pyplot ในชื่อ plt ไว้แล้ว และ DataFrame listings ที่มีคอลัมน์อ้างอิง 'Exchange' พร้อมใช้งานใน workspace ของคุณ

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การนำเข้าและจัดการข้อมูลทางการเงินใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Import seaborn ในชื่อ sns
  • กรอง listings ให้เหลือเฉพาะบริษัทที่ทำ IPO หลังปี 2000 จากทุก exchange ยกเว้น 'amex'
  • แปลงข้อมูลในคอลัมน์ 'IPO Year' ให้เป็นจำนวนเต็ม
  • สร้างคอลัมน์ market_cap_m เพื่อแสดง market cap ในหน่วย USD ล้าน
  • กรอง market_cap_m ให้ตัดค่าที่เกินเปอร์เซ็นไทล์ที่ 95 ออก
  • สร้าง pointplot จาก listings โดยใช้คอลัมน์ 'IPO Year' สำหรับ x, 'market_cap_m' สำหรับ y และ 'Exchange' สำหรับ hue จากนั้นแสดงผลโดยหมุน xticks 45 องศา

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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()
แก้ไขและรันโค้ด