Sektör ve IPO yılına göre birkaç metriği hesapla
seaborn içindeki pointplot() fonksiyonu, sayısal bir değişkenin özet istatistiklerini kategorik değişkenlerin farklı seviyeleri için karşılaştırmayı kolaylaştırır:
seaborn.pointplot(x=None, y=None, hue=None, data=None, ...)
Videoda, piyasa değeri (sayısal değişken) için, IPO'nun (kategorik değişken) 2000 yılından önce (birinci seviye) ya da sonra (ikinci seviye) gerçekleşmesine göre farklılaştırılmış bir görselleştirme gördün.
Bu egzersizde, 2000'den bu yana her yıl için NYSE ve NASDAQ adına, yüzde 95'lik dilimin üzerindeki aykırı değerleri hariç tutarak ortalama piyasa değerini karşılaştıracaksın. pandas pd takma adıyla ve matplotlib.pyplot plt takma adıyla içe aktarılmış durumda ve 'Exchange' referans sütununa sahip listings DataFrame'i çalışma alanında mevcut.
Bu egzersiz, kursun bir parçasıdır
Python ile Finansal Verileri İçe Aktarma ve Yönetme
Egzersiz talimatları
seaborn'usnstakma adıyla içe aktar.- Tüm borsalardan,
'amex'HARİÇ, 2000 sonrası IPO'ya sahip şirketleri içerecek şekildelistings'i filtrele. 'IPO Year'sütunundaki verileri tamsayıya dönüştür.- Piyasa değerini USD milyon cinsinden ifade etmek için
market_cap_msütununu oluştur. market_cap_miçinde yüzde 95'lik dilimin üzerindeki değerleri hariç tut.listingsüzerindepointplotoluştur:xiçin'IPO Year',yiçin'market_cap_m',hueiçin'Exchange'kullan.xticks'i 45 derece döndürdükten sonra sonucu göster.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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()