Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Om du vill tillämpa dina Python-kunskaper inom data science på verklig finansiell data får du här några mycket användbara verktyg.
Du lär dig först hur du hämtar data från Excel till pandas och tillbaka igen. Sedan lär du dig att hämta aktiekurser från olika online-API:er som
Google eller Yahoo! Finance, makroekonomisk data från Federal Reserve och växelkurser från OANDA. Slutligen lär du dig att beräkna avkastning för olika tidshorisonter,
analysera aktieprestation per sektor för börsintroduktioner samt beräkna och sammanfatta korrelationer.
Förkunskapskrav
Kursplan
Kursöversikt
1
Importera aktielistningsdata från Excel
I det här kapitlet lär du dig att importera, rensa och kombinera data från Excel-arbetsblad till en pandas DataFrame. Du får också öva på att gruppera data, sammanfatta information per kategori och visualisera resultaten med deldiagram och värmekartor.
Du arbetar med data om företag noterade på börserna NASDAQ, NYSE och AMEX, med information om företagsnamn, aktiesymbol, senaste börsvärde och kurs, sektor eller branschgrupp samt år för börsintroduktion. I kapitel 2 bygger du vidare på dessa data för att ladda ner och analysera aktiekurshistorik för några av dessa företag.
- Läsa, granska och rensa data från CSV50 XP
- Importera börsnoteringsinformation från NASDAQ100 XP
- Hur åtgärdar du dataimporteringen?50 XP
- Läs data med .read_csv() och lämpliga parsningsargument100 XP
- Läs data från Excel-kalkylblad50 XP
- Läs in listningsinformation från ett enskilt blad100 XP
- Läs in listningsdata från två ark100 XP
- Kombinera data från flera kalkylblad50 XP
- Läs in alla listningsdata och iterera över nyckel-värde-par i en ordlista100 XP
- Hur många företag är noterade på NYSE och NASDAQ?50 XP
- Automatisera inläsning och sammanslagning av data från flera Excel-kalkylblad100 XP
2
Importera finansiell data från webben
Det här kapitlet introducerar online-dataåtkomst till Google Finance och Federal Reserves datatjänst via `pandas` `DataReader`. Du hämtar data, utför grundläggande bearbetningar, kombinerar dataserier och visualiserar resultaten.
3
Sammanfatta din data och visualisera resultaten
I det här kapitlet lär du dig att fånga viktiga egenskaper hos enskilda variabler i enkla mätvärden. Det gör det lättare att förstå fördelningen av variablerna i din datamängd: Vilka värden är centrala eller typiska för dina data? Är dina data spridda över ett brett intervall, eller koncentrerade kring ett mittenvärde? Finns det extremvärden? Hur ser den övergripande fördelningen ut?
4
Aggregera och beskriva din data per kategori
Det här kapitlet introducerar möjligheten att gruppera data efter en eller flera kategoriska variabler samt att beräkna och visualisera sammanfattande statistik för varje kategori. Under kursens gång lär du dig att jämföra företagsstatistik för olika sektorer och börsintroduktionsårgångar, analysera den globala inkomstfördelningen över tid och skapa olika statistiska diagram med biblioteket seaborn.
Importera och hantera finansiell data i Python
Kurs
slutförd
