Візуалізуйте розподіл ваших даних

Імпорт і керування фінансовими даними в Python

Stefan Jansen

Instructor

Завжди дивіться на свої дані!

Однакові метрики можуть описувати зовсім різні дані

Завжди дивіться на дані

Ознайомлення з графіками seaborn

Багато наочних і інформативних статистичних графіків
Побудовано на matplotlib
універсальний інструмент: seaborn.distplot()
- гістограма
- оцінка щільності ядром (KDE)
- «килимок» (rugplot)

10‑річні облігації Казначейства США: тренд і розподіл

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‑річні облігації: тренд часового ряду

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

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

10-річні облігації — часовий ряд

10‑річні облігації: історичний розподіл

import seaborn as sns
sns.distplot(ty10)

10-річні облігації — гістограма

10‑річні облігації: тренд і розподіл

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

10-річні облігації — щільність і медіана

Давайте потренуємось!

Імпорт і керування фінансовими даними в Python