Statistiques sommaires par catégorie avec seaborn

Importer et gérer des données financières en Python

Stefan Jansen

Instructor

Graphiques catégoriels avec seaborn

Méthodes spécialisées pour tracer des variables catégorielles et numériques
Visualiser des estimations de statistiques sommaires par catégorie
Comprendre l'effet des catégories sur les variables numériques
Comparer avec des indicateurs clés de la distribution
Exemple : capitalisation moyenne par secteur ou année d'IPO, avec indication de dispersion

Les bases : countplot

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

countplot, trié

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, trié

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

countplot, catégories multiples

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)

Comparer des stats avec 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')

Passons à la pratique !

Importer et gérer des données financières en Python