Побудуйте часову шкалу IPO для всіх бірж за допомогою countplot()
Щоб швидко візуалізувати кількість спостережень у кожній категорії набору даних, зазвичай використовують функцію seaborn countplot():
seaborn.countplot(x=None, hue=None, data=None, ...)
Параметр x містить назви змінних з аргументу data, тобто датафрейму для побудови. hue визначає додаткову категоріальну змінну через колір. Це три необов'язкові параметри з-поміж багатьох, які приймає функція; повний список дивіться в seaborn документації.
Скористаймося цим інструментом, щоб порівняти часову динаміку активності IPO на трьох біржах. pandas як pd, matplotlib.pyplot як plt і seaborn як sns уже імпортовано, а датафрейм listings з довідковим стовпцем 'Exchange' доступний у вашому робочому просторі.
Ця вправа є частиною курсу
Імпорт і керування фінансовими даними в Python
Інструкції до вправи
- Відфільтруйте
listings, залишивши лише роки IPO після 2000 року. - Перетворіть дані у стовпці
'IPO Year'на цілі числа. - Побудуйте
sns.countplot()дляlistings, використавши'IPO Year'як зміннуxі'Exchange'дляhue. - Поверніть мітки осі X за допомогою
xticks()на 45 градусів і відобразіть результат.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Select IPOs after 2000
listings = listings[____[____] > ____]
# Convert IPO Year to integer
listings['IPO Year'] = ____[____].____(____)
# Create a countplot
sns.countplot(x=____, hue=____, data=____)
# Rotate xticks and show result
plt.xticks(rotation=45)
# Show the plot
plt.show()