Visualisera fördelningen av dina data

Importera och hantera finansiell data i Python

Stefan Jansen

Instructor

Titta alltid på dina data!

Identiska mätvärden kan representera helt olika data

Introduktion till seaborn-diagram

Många attraktiva och insiktsfulla statistiska diagram
Baserat på matplotlib
Mångsidigt verktyg: seaborn.distplot()
- Histogram
- Kernel Density Estimation (KDE)
- Rugplot

10-årig statsobligation: trend och fördelning

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
...

10-årig statsobligation: tidsserie och trend

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

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

10-årig statsobligation: historisk fördelning

import seaborn as sns
sns.distplot(ty10)

10-årig statsobligation: trend och fördelning

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

Nu kör vi en övning!

Importera och hantera finansiell data i Python