Розрахуйте кілька метрик за сектором і роком IPO

Функція seaborn pointplot() полегшує порівняння підсумкових статистик числової змінної для різних рівнів категоріальних змінних:

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

У відео ви бачили візуалізацію для ринкової капіталізації (числова змінна), розділену за тим, чи відбулися IPO (категоріальна змінна) до (перший рівень) чи після (другий рівень) 2000 року.

У цій вправі ви порівняєте середню ринкову капіталізацію для кожного року починаючи з 2000 для NYSE і NASDAQ після виключення викидів вище 95-го перцентиля. pandas як pd і matplotlib.pyplot як plt вже імпортовано, а датафрейм listings із довідковою колонкою 'Exchange' доступний у вашому робочому середовищі.

Ця вправа є частиною курсу

Імпорт і керування фінансовими даними в Python

Переглянути курс

Інструкції до вправи

Імпортуйте seaborn як sns.
Відфільтруйте listings, щоб залишилися компанії з IPO після 2000 року з усіх бірж, окрім 'amex'.
Перетворіть дані у колонці 'IPO Year' на цілі числа.
Створіть колонку market_cap_m, щоб подати ринкову капіталізацію в млн доларів США.
Відфільтруйте market_cap_m, щоб виключити значення вище 95-го перцентиля.
Побудуйте pointplot для listings, використавши колонку 'IPO Year' для x, 'market_cap_m' для y та 'Exchange' для hue. Після повертання xticks на 45 градусів покажіть результат.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()

Редагувати та запускати код