Visualiser des ratios pour l'analyse intra‑entreprise

Analyser les états financiers en Python

Rohan Chatterjee

Risk modeler

Visualiser des ratios financiers

Les diagrammes en barres aident à
- visualiser les ratios financiers moyens d'une entreprise, et
- évaluer la performance par rapport à la moyenne du secteur

Ceci est l'image d'un diagramme en barres comparant les ratios financiers de Google à la moyenne de ces ratios dans le secteur tech.

Préparer les données pour le tracé

Utiliser pivot_table pour calculer la moyenne des ratios par entreprise :

avg_company_ratio = plot_dat.pivot_table(index=["comp_type",
                                                "company"],
                      values=["Gross Margin", "Operating Margin",
                              "Debt-to-equity", "Equity Multiplier"],
                                        aggfunc="mean").reset_index()

print(avg_company_ratio.head())

Cette image montre les cinq premières lignes du DataFrame avg_company_ratio. Les colonnes d'intérêt sont les marges brute et opérationnelle, qui indiquent la moyenne de ces ratios pour diverses entreprises.

Préparer les données pour le tracé

Utilisez pivot_table pour calculer la moyenne des ratios par secteur :

avg_industry_ratio = plot_dat.pivot_table(index="comp_type",
                      values=["Gross Margin", "Operating Margin",
                              "Debt-to-equity", 
                              "Equity Multiplier"],
                                        aggfunc="mean").reset_index()

print(avg_industry_ratio.head())

Cette image montre les cinq premières lignes du DataFrame avg_industry_ratio. Les colonnes d'intérêt sont les marges brute et opérationnelle, qui indiquent la moyenne de ces ratios pour divers secteurs.

Préparer les données pour le tracé

Pour tracer avec seaborn, les données doivent être au format « long ». Utilisez pd.melt pour convertir les DataFrames avg_industry_ratio et avg_company_ratio au format long :

molten_plot_company = pd.melt(avg_company_ratio, id_vars=["comp_type",
                                                          "company"])
molten_plot_industry = pd.melt(avg_industry_ratio,
                               id_vars=["comp_type"])

print(molten_plot_company.head())

Cette image montre les 5 premières lignes du DataFrame molten_plot_industry. On voit comment le DataFrame est désormais au format long de average_industry_ratio : la colonne variable donne le nom du ratio et la colonne value sa valeur.

print(molten_plot_industry.head())

Cette image montre les 5 premières lignes du DataFrame molten_plot_industry. On voit comment le DataFrame est désormais au format long de average_company_ratio : la colonne variable donne le nom du ratio et la colonne value sa valeur.

Préparer les données pour le tracé

Seaborn exige que toutes les données à tracer soient dans un seul DataFrame
Nous utilisons pd.concat pour concaténer molten_plot_company et molten_plot_industry
molten_plot_industry n'a pas la colonne company car il contient les moyennes des ratios au niveau du secteur
pd.concat nécessite des colonnes identiques ; nous ajoutons donc la colonne company à molten_plot_industry

molten_plot_industry["company"] = "Industry Average"
molten_plot = pd.concat([molten_plot_company, molten_plot_industry])

Créer le diagramme en barres

sns.barplot(data=molten_plot, y="variable", x="value", hue="company", ci=None)
plt.xlabel(""), plt.ylabel("")
plt.show()

Il s'agit de la même image que celle de la diapositive 2 de cette vidéo : un diagramme en barres comparant les ratios financiers de Google à la moyenne du secteur tech.

Passons à la pratique !

Analyser les états financiers en Python