Ratio’s visualiseren voor analyse binnen één bedrijf

Financiële overzichten analyseren in Python

Rohan Chatterjee

Risk modeler

Financiële ratio’s visualiseren

Staafdiagrammen zijn handig om
- financiële ratio’s per bedrijf te visualiseren, en
- prestaties t.o.v. het branchegemiddelde te beoordelen

Een staafdiagram dat Googles financiële ratio’s vergelijkt met het gemiddelde in de techsector.

Data voorbereiden voor de plot

Gebruik pivot_table om gemiddelde ratio’s per bedrijf te berekenen:

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())

Deze afbeelding toont de eerste vijf rijen van avg_company_ratio. De relevante kolommen zijn gross en operating margin: ze geven de gemiddelde ratio’s voor verschillende bedrijven.

Data voorbereiden voor de plot

Gebruik pivot_table om gemiddelde ratio’s per branche te berekenen:

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())

Deze afbeelding toont de eerste vijf rijen van avg_industry_ratio. De relevante kolommen zijn gross en operating margin: ze geven de gemiddelde ratio’s voor verschillende branches.

Data voorbereiden voor de plot

Voor seaborn moet de data in “long” formaat staan. Gebruik pd.melt om avg_industry_ratio en avg_company_ratio te smelten naar long formaat:

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())

De eerste 5 rijen van molten_plot_company. Het DataFrame staat nu in long formaat van average_industry_ratio. De kolom variable bevat de rationsnaam en value de waarde.

print(molten_plot_industry.head())

De eerste 5 rijen van molten_plot_industry. Het DataFrame staat nu in long formaat van average_company_ratio. De kolom variable bevat de rationsnaam en value de waarde.

Data voorbereiden voor de plot

Seaborn vereist alle te plotten data in één DataFrame
We gebruiken pd.concat om molten_plot_company en molten_plot_industry te combineren
molten_plot_industry heeft geen company-kolom, want het bevat het branchegemiddelde
pd.concat vereist dezelfde kolommen; voeg daarom company toe aan molten_plot_industry

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

Maak het staafdiagram

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

Dit is dezelfde afbeelding als op dia 2 van deze video: een staafdiagram dat Googles financiële ratio’s vergelijkt met het gemiddelde in de techsector.

Laten we oefenen!

Financiële overzichten analyseren in Python