Sammanfattningsstatistik per kategori med seaborn

Importera och hantera finansiell data i Python

Stefan Jansen

Instructor

Kategoriplottning med seaborn

Specialiserade sätt att visualisera kombinationer av kategoriska och numeriska variabler
Visualisera estimat av sammanfattningsstatistik per kategori
Förstå hur kategorier påverkar numeriska variabler
Jämför med hjälp av viktiga mått på fördelningsegenskaper
Exempel: Genomsnittligt börsvärde per sektor eller IPO-år med spridningsindikation

Grunderna: countplot

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

countplot, sorterad

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, sorterad

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

countplot, flera kategorier

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)

Jämför statistik med 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')

Nu kör vi en övning!

Importera och hantera finansiell data i Python