Visualisez la distribution de vos données

Importer et gérer des données financières en Python

Stefan Jansen

Instructor

Toujours examiner vos données !

Des mesures identiques peuvent décrire des données très différentes

Toujours examiner ses données

Présentation des graphiques seaborn

De nombreux graphiques statistiques clairs et parlants
Basés sur matplotlib
Couteau suisse : seaborn.distplot()
- Histogramme
- Estimation de densité par noyau (KDE)
- Rugplot

Obligations à 10 ans : tendance et distribution

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
...

Obligations à 10 ans : tendance temporelle

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

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

Série temporelle des obligations 10 ans

Obligations à 10 ans : distribution historique

import seaborn as sns
sns.distplot(ty10)

Distribution historique des 10 ans

Obligations à 10 ans : tendance et distribution

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

Densité et médiane des 10 ans

Passons à la pratique !

Importer et gérer des données financières en Python