Visualiser des ratios pour l'analyse au sein d'une entreprise

Analyser les états financiers avec Python

Rohan Chatterjee

Risk modeler

Visualiser des ratios financiers

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

Ceci est une image d'un diagramme à barres comparant les ratios financiers de Google à la moyenne de ces ratios dans l'industrie technologique.

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 la marge brute et la marge d'exploitation, qui indiquent la moyenne de ces ratios pour diverses entreprises.

Préparer les données pour le tracé

Utiliser pivot_table pour calculer le ratio moyen 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 la marge brute et la marge d'exploitation, qui indiquent la moyenne de ces ratios pour divers secteurs.

Préparer les données pour le tracé

Tracer avec seaborn exige un format « long ». Utilisez pd.melt pour transformer les DataFrames avg_industry_ratio et avg_company_ratio en 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 présente les 5 premières lignes du DataFrame molten_plot_industry. On constate que le DataFrame est maintenant 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 présente les 5 premières lignes du DataFrame molten_plot_industry. On constate que le DataFrame est maintenant 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 la moyenne des ratios par secteur, globalement
pd.concat exige les mêmes colonnes dans les deux DataFrames ; 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])

Tracer le diagramme à 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 dans la diapositive 2 de cette vidéo. C'est un diagramme à barres comparant les ratios financiers de Google à la moyenne de ces ratios dans l'industrie technologique.

Passons à la pratique !

Analyser les états financiers avec Python