Візуалізація коефіцієнтів для аналізу всередині компанії

Аналіз фінансової звітності в Python

Rohan Chatterjee

Risk modeler

Візуалізація фінансових коефіцієнтів

Стовпчикові діаграми корисні для
- візуалізації фінансових коефіцієнтів компанії в середньому та
- оцінки результатів відносно середнього по індустрії

Це зображення стовпчикової діаграми, де порівнюємо фінансові коефіцієнти Google із середніми значеннями в техіндустрії.

Підготовка даних до побудови графіків

Використайте pivot_table для обчислення середніх коефіцієнтів по компаніях:

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())

Це зображення перших п'яти рядків датафрейму avg_company_ratio. Нас цікавлять стовпці gross і operating margin. Вони показують середні значення цих коефіцієнтів для різних компаній.

Підготовка даних до побудови графіків

Використайте pivot_table для обчислення середнього коефіцієнта по індустріях:

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())

Це зображення перших п'яти рядків датафрейму avg_industry_ratio. Нас цікавлять стовпці gross і operating margin. Вони показують середні значення цих коефіцієнтів для різних індустрій.

Підготовка даних до побудови графіків

Для побудови в seaborn дані мають бути у «довгому» форматі. Використайте pd.melt для перетворення датафреймів avg_industry_ratio і avg_company_ratio у довгий 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())

Тут показано перші 5 рядків датафрейму molten_plot_industry. Головне — що тепер це довгий формат датафрейму average_industry_ratio. У стовпці variable — назва коефіцієнта, у стовпці value — його значення.

print(molten_plot_industry.head())

Тут показано перші 5 рядків датафрейму molten_plot_industry. Головне — що тепер це довгий формат датафрейму average_company_ratio. У стовпці variable — назва коефіцієнта, у стовпці value — його значення.

Підготовка даних до побудови графіків

Seaborn потребує всі дані для графіка в одному датафреймі
Використайте pd.concat для об'єднання molten_plot_company і molten_plot_industry
molten_plot_industry не має стовпця company, адже містить середні значення по індустріях загалом
pd.concat вимагає однакові стовпці в обох датафреймах, тож додайте стовпець company до molten_plot_industry

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

Побудова стовпчикової діаграми

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

Це те саме зображення, що на слайді 2 відео: стовпчикова діаграма, де порівнюємо фінансові коефіцієнти Google із середніми значеннями в техіндустрії.

Давайте потренуємось!

Аналіз фінансової звітності в Python