Statistik ringkas per kategori dengan seaborn

Mengimpor dan Mengelola Data Keuangan di Python

Stefan Jansen

Instructor

Plot kategorikal dengan seaborn

Cara khusus untuk memplot gabungan variabel kategorikal dan numerik
Visualisasikan estimasi statistik ringkas per kategori
Pahami dampak kategori pada variabel numerik
Bandingkan dengan metrik kunci karakteristik distribusi
Contoh: Rata-rata Market Cap per Sektor atau Tahun IPO dengan indikasi dispersi

Dasar: countplot

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

countplot

countplot, diurutkan

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, diurutkan

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

countplot diurutkan

countplot, banyak kategori

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)

countplot, multi-kategori

Bandingkan statistik dengan 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')

Plot titik

Ayo berlatih!

Mengimpor dan Mengelola Data Keuangan di Python