Визуализация коэффициентов для внутрикорпоративного анализа

Анализ финансовой отчётности на Python

Rohan Chatterjee

Risk modeler

Визуализация финансовых коэффициентов

Столбчатые диаграммы помогают:
- визуализировать финансовые коэффициенты компании в среднем,
- оценивать результаты относительно среднеотраслевых показателей

Столбчатая диаграмма, на которой сравниваются финансовые коэффициенты Google со средними значениями по технологической отрасли.

Подготовка данных для построения графика

Используем pivot_table для расчёта средних коэффициентов по компании:

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())

Первые пять строк DataFrame avg_company_ratio. Ключевые столбцы — валовая и операционная маржа — показывают средние значения коэффициентов для различных компаний.

Подготовка данных для построения графика

Используем pivot_table для расчёта средних коэффициентов по отрасли:

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())

Первые пять строк DataFrame avg_industry_ratio. Ключевые столбцы — валовая и операционная маржа — показывают средние значения коэффициентов для различных отраслей.

Подготовка данных для построения графика

Для построения графиков в seaborn данные должны быть в «длинном» формате. Используем pd.melt, чтобы преобразовать avg_industry_ratio и avg_company_ratio в длинный формат:
```
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())

Первые 5 строк DataFrame molten_plot_industry в длинном формате на основе average_industry_ratio. Столбец variable содержит название коэффициента, столбец value — его значение.

print(molten_plot_industry.head())

Первые 5 строк DataFrame molten_plot_industry в длинном формате на основе average_company_ratio. Столбец variable содержит название коэффициента, столбец value — его значение.

Подготовка данных для построения графика

Seaborn требует, чтобы все данные для графика находились в одном DataFrame
Используем pd.concat для объединения molten_plot_company и molten_plot_industry
В molten_plot_industry отсутствует столбец company, так как он содержит средние коэффициенты по отрасли в целом
Для работы pd.concat оба DataFrame должны иметь одинаковые столбцы, поэтому добавляем столбец company в molten_plot_industry

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

Построение столбчатой диаграммы

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

Столбчатая диаграмма, на которой сравниваются финансовые коэффициенты Google со средними значениями по технологической отрасли — тот же график, что и на слайде 2.

Давайте потренируемся!

Анализ финансовой отчётности на Python