Visualisera nyckeltal för intern företagsanalys

Analysera finansiella rapporter i Python

Rohan Chatterjee

Risk modeler

Visualisera finansiella nyckeltal

Stapeldiagram är användbara för att
- visualisera finansiella nyckeltal för ett företag i genomsnitt, och
- bedöma prestanda i förhållande till branschgenomsnittet

Bild på ett stapeldiagram där Googles finansiella nyckeltal jämförs med genomsnittet för tech-branschen.

Förbereda data för visualisering

Använd pivot_table för att beräkna genomsnittliga nyckeltal per företag:

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())

Bilden visar de fem översta raderna i DataFrame:en avg_company_ratio. De relevanta kolumnerna är bruttomarginal och rörelsemarginal, som visar genomsnittliga nyckeltal för olika företag.

Förbereda data för visualisering

Använd pivot_table för att beräkna genomsnittliga nyckeltal per bransch:

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())

Bilden visar de fem översta raderna i DataFrame:en avg_industry_ratio. De relevanta kolumnerna är bruttomarginal och rörelsemarginal, som visar genomsnittliga nyckeltal för olika branscher.

Förbereda data för visualisering

Visualisering i seaborn kräver data i "långt" format. Använd pd.melt för att omvandla avg_industry_ratio och avg_company_ratio till långt format:

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())

Bilden visar de fem översta raderna i DataFrame:en molten_plot_industry. Det centrala är att DataFrame:en nu är i långt format baserat på average_industry_ratio. Kolumnen variable anger nyckeltalets namn och kolumnen value anger dess värde.

print(molten_plot_industry.head())

Bilden visar de fem översta raderna i DataFrame:en molten_plot_industry. Det centrala är att DataFrame:en nu är i långt format baserat på average_company_ratio. Kolumnen variable anger nyckeltalets namn och kolumnen value anger dess värde.

Förbereda data för visualisering

Seaborn kräver att all data som ska visualiseras finns i en och samma DataFrame
Använd pd.concat för att slå samman molten_plot_company och molten_plot_industry
molten_plot_industry saknar kolumnen company eftersom den innehåller genomsnittliga nyckeltal per bransch
pd.concat kräver att båda DataFrame:arna har samma kolumner – lägg därför till kolumnen company i molten_plot_industry

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

Skapa stapeldiagrammet

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

Samma bild som i bild 2 i den här videon. Ett stapeldiagram där Googles finansiella nyckeltal jämförs med genomsnittet för tech-branschen.

Nu kör vi en övning!

Analysera finansiella rapporter i Python