Узагальнювальні статистики за категоріями в seaborn

Імпорт і керування фінансовими даними в Python

Stefan Jansen

Instructor

Категоріальні графіки в seaborn

Спеціалізовані способи візуалізувати поєднання категоріальних і числових змінних
Показ оцінок узагальнювальних статистик для кожної категорії
Розуміння впливу категорій на числові змінні
Порівняння за ключовими метриками розподілу
Приклад: середня ринкова капіталізація за сектором або роком IPO з показом розсіювання

Базове: countplot

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

countplot, сортування

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, сортування

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

countplot, кілька категорій

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)

Порівняння статистик із 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 потренуємось!

Імпорт і керування фінансовими даними в Python