Visualize a distribuição dos seus dados

Importing and Managing Financial Data in Python

Stefan Jansen

Instructor

Sempre olhe para os seus dados!

Métricas idênticas podem representar dados bem diferentes

Sempre olhe para os dados

Apresentando os gráficos do seaborn

Muitos gráficos estatísticos atraentes e informativos
Baseado em matplotlib
Canivete suíço: seaborn.distplot()
- Histograma
- Estimativa de Densidade por Kernel (KDE)
- Rugplot

Treasury de 10 anos: tendência e distribuição

ty10 = web.DataReader('DGS10', 'fred', date(1962, 1, 1))
ty10.info()

DatetimeIndex: 15754 entries, 1962-01-02 to 2022-05-20
Data columns (total 1 columns):
 #   Column  Non-Null Count  Dtype  
 --  ------  --------------  -----  
 0   DGS10   15083 non-null  float64

ty10.describe()

              DGS10
mean       6.291073
std        2.851161
min        1.370000
25%        4.190000
50%        6.040000
...

Treasury de 10 anos: tendência da série temporal

ty10.dropna(inplace=True) # Avoid creation of copy

ty10.plot(title='10-year Treasury'); plt.tight_layout()

Treasury de 10 anos

Treasury de 10 anos: distribuição histórica

import seaborn as sns
sns.distplot(ty10)

Distribuição histórica do Treasury de 10 anos

Treasury de 10 anos: tendência e distribuição

ax = sns.distplot(ty10)
ax.axvline(ty10['DGS10'].median(), color='black', ls='--')

Densidade do Treasury de 10 anos

Vamos praticar!

Importing and Managing Financial Data in Python