Сводная статистика по категориям с seaborn

Импорт и управление финансовыми данными в Python

Stefan Jansen

Instructor

Категориальные графики в seaborn

Специальные способы визуализации категориальных и числовых переменных
Оценки сводных статистик по категориям
Влияние категорий на числовые переменные
Сравнение по ключевым характеристикам распределения
Пример: средняя рыночная капитализация по секторам или году IPO с указанием разброса

Основы: countplot

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

countplot с сортировкой

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 с сортировкой

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

countplot с несколькими категориями

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)

Сравнение статистик с 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')

Давайте потренируемся!

Импорт и управление финансовыми данными в Python