कंपनी के भीतर विश्लेषण के लिए अनुपातों का विज़ुअलाइज़ेशन

Python में Financial Statements का विश्लेषण

Rohan Chatterjee

Risk modeler

वित्तीय अनुपातों का विज़ुअलाइज़ेशन

Bar plots उपयोगी हैं:
- किसी कंपनी के औसत वित्तीय अनुपात दिखाने में, और
- इंडस्ट्री औसत की तुलना में प्रदर्शन आँकने में

यह एक bar plot की छवि है जहाँ हम Google के वित्तीय अनुपातों की तुलना टेक इंडस्ट्री के उन अनुपातों के औसत से करते हैं।

प्लॉटिंग के लिए डेटा तैयार करना

कंपनी-वार औसत अनुपात निकालने के लिए pivot_table का उपयोग करें:

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())

यह छवि DataFrame avg_company_ratio की शीर्ष पाँच पंक्तियाँ दिखाती है। यहाँ मुख्य कॉलम gross और operating margin हैं, जो विभिन्न कंपनियों के लिए इन अनुपातों के औसत दिखाते हैं।

प्लॉटिंग के लिए डेटा तैयार करना

इंडस्ट्री-वार औसत अनुपात निकालने के लिए pivot_table का उपयोग करें:

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())

यह छवि DataFrame avg_industry_ratio की शीर्ष पाँच पंक्तियाँ दिखाती है। यहाँ मुख्य कॉलम gross और operating margin हैं, जो विभिन्न इंडस्ट्री के लिए इन अनुपातों के औसत दिखाते हैं।

प्लॉटिंग के लिए डेटा तैयार करना

seaborn में प्लॉट करने के लिए डेटा "long" फॉर्मैट में होना चाहिए। pd.melt से DataFrame avg_industry_ratio और avg_company_ratio को long फॉर्मैट में बदलें:
```
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())

यहाँ DataFrame molten_plot_industry की शीर्ष 5 पंक्तियाँ हैं। मुख्य बात यह है कि अब यह average_industry_ratio का long फॉर्मैट है। "variable" कॉलम अनुपात का नाम देता है और "value" कॉलम उसका मान।

print(molten_plot_industry.head())

यहाँ DataFrame molten_plot_industry की शीर्ष 5 पंक्तियाँ हैं। मुख्य बात यह है कि अब यह average_company_ratio का long फॉर्मैट है। "variable" कॉलम अनुपात का नाम देता है और "value" कॉलम उसका मान।

प्लॉटिंग के लिए डेटा तैयार करना

Seaborn को वह सारा डेटा एक ही DataFrame में चाहिए जिसे हम प्लॉट करना चाहते हैं।
pd.concat से molten_plot_company और molten_plot_industry को जोड़ें।
molten_plot_industry में company कॉलम नहीं है क्योंकि यह इंडस्ट्री-लेवल औसत रखता है।
pd.concat के लिए दोनों DataFrame में समान कॉलम होने चाहिए, इसलिए molten_plot_industry में company कॉलम जोड़ें।

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

बार ग्राफ बनाएँ

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

यह वही छवि है जो इस वीडियो की स्लाइड 2 में थी। यह bar plot Google के वित्तीय अनुपातों की तुलना टेक इंडस्ट्री के औसत से दिखाता है।

अभ्यास करते हैं!

Python में Financial Statements का विश्लेषण