การแสดงผลอัตราส่วนสำหรับการวิเคราะห์ภายในบริษัท

การวิเคราะห์งบการเงินด้วย Python

Rohan Chatterjee

Risk modeler

การแสดงผลอัตราส่วนทางการเงิน

Bar plot มีประโยชน์สำหรับ
- การแสดงผลอัตราส่วนทางการเงินเฉลี่ยของบริษัท และ
- การประเมินผลการดำเนินงานเทียบกับค่าเฉลี่ยอุตสาหกรรม

ภาพ bar plot แสดงการเปรียบเทียบอัตราส่วนทางการเงินของ Google กับค่าเฉลี่ยของอัตราส่วนเหล่านั้นในอุตสาหกรรมเทคโนโลยี

การเตรียมข้อมูลสำหรับการพล็อต

ใช้ pivot_table เพื่อคำนวณค่าเฉลี่ยของอัตราส่วนรายบริษัท:

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())

ภาพแสดง 5 แถวแรกของ DataFrame avg_company_ratio โดยคอลัมน์ที่น่าสนใจคือ gross margin และ operating margin ซึ่งแสดงค่าเฉลี่ยของอัตราส่วนเหล่านั้นสำหรับบริษัทต่างๆ

การเตรียมข้อมูลสำหรับการพล็อต

ใช้ pivot_table เพื่อคำนวณค่าเฉลี่ยของอัตราส่วนรายอุตสาหกรรม:

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())

ภาพแสดง 5 แถวแรกของ DataFrame avg_industry_ratio โดยคอลัมน์ที่น่าสนใจคือ gross margin และ operating margin ซึ่งแสดงค่าเฉลี่ยของอัตราส่วนเหล่านั้นสำหรับอุตสาหกรรมต่างๆ

การเตรียมข้อมูลสำหรับการพล็อต

การพล็อตข้อมูลใน seaborn ต้องการข้อมูลในรูปแบบ "long" ใช้ pd.melt เพื่อแปลง DataFrame avg_industry_ratio และ avg_company_ratio ให้อยู่ในรูปแบบ 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())

ภาพแสดง 5 แถวแรกของ DataFrame molten_plot_industry สิ่งสำคัญคือ DataFrame อยู่ในรูปแบบ long ของ average_industry_ratio โดยคอลัมน์ variable ระบุชื่ออัตราส่วน และคอลัมน์ value ให้ค่าของอัตราส่วนนั้น

print(molten_plot_industry.head())

ภาพแสดง 5 แถวแรกของ DataFrame molten_plot_industry สิ่งสำคัญคือ DataFrame อยู่ในรูปแบบ long ของ average_company_ratio โดยคอลัมน์ variable ระบุชื่ออัตราส่วน และคอลัมน์ value ให้ค่าของอัตราส่วนนั้น

การเตรียมข้อมูลสำหรับการพล็อต

Seaborn ต้องการข้อมูลทั้งหมดที่จะพล็อตใน DataFrame เดียว
ใช้ pd.concat เพื่อรวม molten_plot_company และ molten_plot_industry เข้าด้วยกัน
molten_plot_industry ไม่มีคอลัมน์ company เนื่องจากมีเพียงค่าเฉลี่ยของอัตราส่วนรายอุตสาหกรรมโดยรวม
pd.concat ต้องการให้ทั้งสอง DataFrame มีคอลัมน์เหมือนกัน จึงต้องเพิ่มคอลัมน์ company ให้ molten_plot_industry

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

สร้าง bar graph

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

ภาพเดียวกับสไลด์ที่ 2 ของวิดีโอนี้ แสดง bar plot เปรียบเทียบอัตราส่วนทางการเงินของ Google กับค่าเฉลี่ยของอัตราส่วนเหล่านั้นในอุตสาหกรรมเทคโนโลยี

มาฝึกกันเถอะ!

การวิเคราะห์งบการเงินด้วย Python