Visualizando índices para análise dentro da empresa

Análise de Demonstrativos Financeiros em Python

Rohan Chatterjee

Risk modeler

Visualizando índices financeiros

Gráficos de barras ajudam a
- visualizar índices financeiros médios de uma empresa e
- avaliar o desempenho em relação à média do setor

Esta é a imagem de um gráfico de barras comparando os índices financeiros do Google com a média desses índices no setor de tecnologia.

Preparando os dados para o gráfico

Usando pivot_table para calcular a média dos índices por empresa:

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())

Esta imagem mostra as cinco primeiras linhas do DataFrame avg_company_ratio. As colunas de interesse são as de margem bruta e operacional, exibindo a média desses índices para várias empresas.

Preparando os dados para o gráfico

Use pivot_table para calcular a média por setor:

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())

Esta imagem mostra as cinco primeiras linhas do DataFrame avg_industry_ratio. As colunas de interesse são as de margem bruta e operacional, exibindo a média desses índices para vários setores.

Preparando os dados para o gráfico

Para plotar no seaborn, os dados precisam estar no formato "longo". Use pd.melt para transformar os DataFrames avg_industry_ratio e avg_company_ratio para o formato longo:

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())

Esta imagem mostra as 5 primeiras linhas do DataFrame molten_plot_industry. O principal aqui é ver como agora o DataFrame está no formato longo do average_industry_ratio. A coluna variable indica o nome do índice e a coluna value traz o valor desse índice.

print(molten_plot_industry.head())

Esta imagem mostra as 5 primeiras linhas do DataFrame molten_plot_industry. O principal aqui é ver como agora o DataFrame está no formato longo do average_company_ratio. A coluna variable indica o nome do índice e a coluna value traz o valor desse índice.

Preparando os dados para o gráfico

O Seaborn exige que todos os dados a serem plotados estejam em um único DataFrame
Usamos pd.concat para concatenar molten_plot_company e molten_plot_industry
molten_plot_industry não tem a coluna company porque traz a média dos índices por setor
pd.concat requer que ambos tenham as mesmas colunas, então adicionamos company a molten_plot_industry

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

Criar o gráfico de barras

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

Esta é a mesma imagem vista no slide 2 deste vídeo. É um gráfico de barras comparando os índices financeiros do Google com a média desses índices no setor de tecnologia.

Vamos praticar!

Análise de Demonstrativos Financeiros em Python