Samenvattingsstatistieken per categorie met seaborn

Financiële data importeren en beheren in Python

Stefan Jansen

Instructor

Categorische plots met seaborn

Gespecialiseerde manieren om categorische en numerieke variabelen samen te plotten
Schattingen van samenvattingsstatistieken per categorie visualiseren
Begrijpen hoe categorieën numerieke variabelen beïnvloeden
Vergelijken met kernmaten van distributiekenmerken
Voorbeeld: Gem. marktkap per sector of IPO-jaar met spreiding

De basis: countplot

sns.countplot(x='Sector', data=nasdaq)
plt.xticks(rotation=45)

countplot, gesorteerd

sector_size = nasdaq.groupby('Sector').size()
order = sector_size.sort_values(ascending=False)
order.head()

Sector
Health Care          645
Finance              627
Technology           433
...

order = order.index.tolist()

['Health Care', 'Finance', ..., 'Energy', 'Transportation']

countplot, gesorteerd

sns.countplot(x='Sector', data=nasdaq, order=order)
plt.xticks(rotation=45)
plt.title('# Observations per Sector’)

countplot, meerdere categorieën

recent_ipos = nasdaq[nasdaq['IPO Year'] > 2014]
recent_ipos['IPO Year'] = recent_ipos['IPO Year'].astype(int)
sns.countplot(x='Sector', hue='IPO Year', data=recent_ipos)

Statistieken vergelijken met PointPlot

nasdaq['IPO'] = nasdaq['IPO Year'].apply(lambda x: 'After 2000' if x > 2000 else 'Before 2000')
sns.pointplot(x='Sector', y='market_cap_m', hue='IPO', data=nasdaq)
plt.xticks(rotation=45); plt.title('Mean Market Cap')

Laten we oefenen!

Financiële data importeren en beheren in Python