上市公司财务指标可视化分析

• 前言
• 实训案例
• 一、案例介绍
• 二、实训目标
• 三、实训任务
• 案例实现
• 任务一
• 任务二
• 任务三
• 任务四
• 后记

前言

本案例来自 Python 财务数据分析与应用（微课版）^[1] 一书第五章财务数据可视化的本章实训部分。

这章主要讲如何用 matplotlib 绘制常见的图形，内容很基础。不过学习编程就是要多动手，学完书本的案例，很有必要自己动手实践一下 ?

不过即便内容比较基础，但如果想要绘制出精美的图片，还是有很多可以调整的空间。

实训案例

一、案例介绍

利润表数据是评估企业经营质量和盈利能力的关键依据。本实训以知名上市公司为研究对象， 聚焦 2021-2023 年季度利润表核心指标的可视化分析。随着注册制改革投资的深入推进 投资者对财务数据的解读能力要求日益提高。特别是在当前经济转型期，通过多维度利 润指标分析，可以深入把握企业的的盈利模式、成长性和财务健康度，为价值投资决策提供数据支撑。

二、实训目标

本项目采用 Python 数据可视化技术，实现从基础财务数据到专业分析图表的全流程呈现。

三、实训任务

1. 绘制“净利润”、“营业总收入”、“营业利润”、“利润总额”随时间变化的多线图，并显示图例。
2. 创建 1 行 3 列的子图，绘制一组反映该公司 2021—2023 年的季度净利润同比增长率和营业总收入同比增长率变化的图表。
3. 绘制“营业总收入”、“净利润”、“营业利润”、“利润总额”的散点矩阵图。
4. 绘制“营业总收入”、“净利润”、“营业利润”、“利润总额”的相关系数热力图。

案例实现

任务一

任务一比较简单，可以用 for 循环绘制多条折线图，代码如下：

data = pd.read_excel("贵州茅台2021—2023年季度利润表.xlsx")display(data)data.info()plt.figure(figsize=(8, 4))cols = ["净利润", "营业总收入", "营业利润", "利润总额"]linestyles = ["-", "--", "-.", ":"]for col, ls in zip(cols, linestyles):    plt.plot(data["报告期"], data[col], marker="p", linestyle=ls, label=col)plt.legend(loc="upper right")plt.tight_layout()plt.show()

效果如下：

任务二

任务二书上代码如下：

# 定义年份并遍历years = [2021, 2022, 2023]fig, axs = plt.subplots(1, 3, figsize=(10, 4))for i, year in enumerate(years):# 筛选特定年份的数据    year_data = data[data["年"] == year]    axs[i].plot(year_data["季度"], year_data["净利润同比"], marker="p", linestyle="-")    axs[i].plot(        year_data["季度"], year_data["营业总收入同比"], marker="p", linestyle="--"    )    axs[i].set_title(str(year) + "年")    axs[i].set_xlabel("季度")    axs[i].legend(["净利润同比(%)", "营业总收入同比(%)"], loc="upper right")plt.show()

效果如下：

这三个子图之间图例是一样的，只显示一个图例即可，改进代码如下：

years = [2021, 2022, 2023]metrics = [("净利润同比", "-"), ("营业总收入同比", "--")]# fig, axs = plt.subplots(1, len(years), figsize=(10, 4), sharey=True)fig, axs = plt.subplots(1, len(years), figsize=(10, 4))for ax, y in zip(axs, years):    yd = data.query("年 == @y").sort_values("季度")for m, ls in metrics:        ax.plot(yd["季度"], yd[m], marker="p", linestyle=ls, label=f"{m}(%)")    ax.set(title=f"{y}年", xlabel="季度")    ax.set_xticks([1, 2, 3, 4])    ax.grid(alpha=0.3, linestyle=":")axs[0].set_ylabel("同比增长率(%)")# 只放一份图例（更简洁）handles, labels = axs[0].get_legend_handles_labels()fig.legend(handles, labels, loc="upper center", ncol=2, frameon=False)fig.tight_layout(rect=[0, 0, 1, 0.9])plt.show()

效果如下：

改进的代码，还包括了一些高级点的用法，比如 query 方法、set 方法、fig.legend 方法等，感兴趣的同学可以多研究一下。

任务三

任务三需要绘制散点矩阵图，可以用 seaborn 库的 pairplot 方法，代码如下：

import seaborn as sns# corner 参数的作用是只显示下三角sns.pairplot(data=data[["营业总收入", "净利润", "营业利润", "利润总额"]], corner=True)plt.show()

效果如下：

任务四

任务四需要绘制相关系数热力图，可以用 seaborn 库的 heatmap 方法，书本原始代码如下：

cor = data[["营业总收入", "净利润", "营业利润", "利润总额"]].corr()sns.heatmap(    cor,  # 相关系数    cmap="YlGnBu",  # 用于指定颜色映射    annot=True,    fmt=".4f",)  # annot表示热力图上是否显示数据；结果保留4位小数plt.show()

效果：

这张图显示了颜色条，可以区分不同的相关系数的大小。但是这张图中的实际数值差距很小，但是颜色却相差很大，容易造成误解。对于这张图，也可以通过一系列设置进行美化：

cor = data[["营业总收入", "净利润", "营业利润", "利润总额"]].corr()# 只显示下三角，避免信息重复mask = np.triu(np.ones_like(cor, dtype=bool))sns.heatmap(    cor,  # 相关系数    mask=mask,    cmap="RdBu_r",  # 发散色带：正相关偏红，负相关偏蓝    vmin=-1,    vmax=1,# center=0,  # 固定范围，便于不同图之间比较    annot=True,    fmt=".2f",    square=True,  # 方格更规整    linewidths=0.6,  # 方格线宽    linecolor="white",  # 方格线色    cbar_kws={"shrink": 0.85, "label": "相关系数"},  # 显示)  # annot表示热力图上是否显示数据；结果保留4位小数ax.set_title("关键财务指标相关系数热力图", pad=12)ax.set_xticklabels(ax.get_xticklabels(), rotation=30, ha="right")ax.set_yticklabels(ax.get_yticklabels(), rotation=0)plt.tight_layout()plt.show()

美化效果如下：

其中比较难理解的参数是 cbar_kws 参数：

cbar_kws 是 seaborn 里传给颜色条（colorbar）的参数字典，常用在 sns.heatmap() 这种会生成颜色条的图里。

• 作用：用来控制右侧（或下方）颜色条的样式/行为，比如大小、标签、刻度等
• 当前代码里：cbar_kws={"shrink": 0.85, "label": "相关系数"} 表示
• shrink=0.85：把颜色条长度缩短到原来的 85%（看起来更紧凑）
• label="相关系数"：给颜色条加一个标题文字

该参数还能这样使用：

sns.heatmap(cor, cbar_kws={"orientation": "horizontal"})  # 横向颜色条sns.heatmap(cor, cbar_kws={"ticks": [-1, -0.5, 0, 0.5, 1]})  # 自定义刻度sns.heatmap(cor, cbar_kws={"pad": 0.02})  # 调整颜色条与图的间距

后记

本章内容虽然比较基础，但是对于初学者而言，仍是不错的实践材料！

本文完整代码，可在公众号后台回复关键词 量化研究 获取，也可以访问我的 GitHub 代码仓库^[2]获取。