Wizualizacja wskaźników w analizie wewnętrznej firmy

Analiza sprawozdań finansowych w Pythonie

Rohan Chatterjee

Risk modeler

Wizualizacja wskaźników finansowych

Wykresy słupkowe są przydatne do:
- wizualizacji średnich wskaźników finansowych firmy,
- oceny wyników na tle średniej branżowej

Wykres słupkowy porównujący wskaźniki finansowe Google ze średnimi wskaźnikami branży technologicznej.

Przygotowanie danych do wykresu

Użycie pivot_table do obliczenia średnich wskaźników według firmy:

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())

Obraz przedstawia pięć pierwszych wierszy DataFrame avg_company_ratio. Widoczne kolumny to marża brutto i marża operacyjna, pokazujące średnie wskaźniki dla poszczególnych firm.

Przygotowanie danych do wykresu

Użycie pivot_table do obliczenia średnich wskaźników według branży:

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())

Obraz przedstawia pięć pierwszych wierszy DataFrame avg_industry_ratio. Widoczne kolumny to marża brutto i marża operacyjna, pokazujące średnie wskaźniki dla poszczególnych branż.

Przygotowanie danych do wykresu

Dane w seaborn muszą być w formacie "długim". Używamy pd.melt do przekształcenia DataFrame'ów avg_industry_ratio i avg_company_ratio:

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())

Obraz przedstawia pięć pierwszych wierszy DataFrame molten_plot_industry w formacie długim. Kolumna variable zawiera nazwę wskaźnika, a kolumna value jego wartość.

print(molten_plot_industry.head())

Obraz przedstawia pięć pierwszych wierszy DataFrame molten_plot_industry w formacie długim. Kolumna variable zawiera nazwę wskaźnika, a kolumna value jego wartość.

Przygotowanie danych do wykresu

Seaborn wymaga, aby wszystkie dane były w jednym DataFrame
Używamy pd.concat do połączenia molten_plot_company i molten_plot_industry
molten_plot_industry nie ma kolumny company, ponieważ zawiera średnie wskaźników dla całej branży
pd.concat wymaga identycznych kolumn, więc dodajemy kolumnę company do molten_plot_industry

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

Tworzenie wykresu słupkowego

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

To ten sam wykres słupkowy co na slajdzie 2. Porównuje wskaźniki finansowe Google ze średnimi wskaźnikami branży technologicznej.

Czas na ćwiczenia!

Analiza sprawozdań finansowych w Pythonie