【Python大数据分析课程设计】——企业财务数据分析

选题背景介绍

选择此选题的原因在于，随着信息时代的到来，企业数据挖掘和分析技术的进步为深入了解公司年报提供了关键工具。公司年报作为企业向利益相关者披露财务和经营状况的主要渠道，其信息量庞大而复杂。传统手工分析已无法满足对大规模数据的处理和深入挖掘的需求。通过运用数据挖掘和分析技术，我们能更全面、准确地评估企业的经营状况、风险和机遇，为投资者、股东和利益相关者提供更明智的决策支持。这一研究的目标是借助先进技术，高效处理大规模数据，发现隐藏的关联和趋势，提升对企业运营情况的理解水平。从社会、经济、技术数据来源等多方面进行综合描述，突显了数据挖掘与分析公司年报的重要性，为社会经济的科技发展提供了实质性的支持和推动。

大数据分析设计方案

1.本数据集的数据内容与数据特征分析：

solvency.xlsx：

数据内容：包含年份、资产负债率、股东权益比率、流动比率和速动比率等财务指标。

数据特征分析：关注企业的偿债能力，了解资产结构、流动性状况，以及股东权益情况。

PROFITABILITY.xlsx：

数据内容：包含销售毛利率、营业利润率、总资产利润率、净资产收益率等指标。

数据特征分析：聚焦企业盈利能力，考察销售和利润关系，了解资产和净资产的收益率情况。

main economic indicators.xlsx：

数据内容：包含营业收入、营业利润、净利润、总资产、负债合计、股东权益合计等关键经济指标。

数据特征分析：综合考察企业的经济状况，包括收入、利润、资产负债状况和股东权益。

2.数据分析的课程分析方案概述：

准备数据：

获取企业财务年报数据，包括利润表、资产负债表、现金流量表等关键财务指标。

使用工具如Excel、Python的Pandas库、或其他数据处理工具整理和清理数据。

选择关键指标：

从财务报表中选择关键的财务指标，例如营业收入、净利润、资产总额、负债总额、现金流等。

确定分析方向：

我确定的分析方向为盈利能力、偿债能力、经营活动能力等。

通过确定关键的业务问题，以便有针对性地进行可视化分析。

选择可视化工具：

我选择的可视化工具有Matplotlib、Seaborn、Plotly（Python库）、Tableau、Power BI等。

我根据分析需求选择线形图、柱形图、折线图、饼图来做分析图表。

创建可视化图表：

根据选定的指标和分析方向，创建相应的可视化图表。

我制作了线形图，柱形图、折线图、饼图以展示不同数据指标的变化。

技术难点：

缺失值处理：部分数据集中存在"--"等表示缺失的符号，需将其转换为NaN，再进行合理的填充或剔除。

数据合并：确保三个数据集能够按年份正确合并，考虑使用数据库的连接操作或pandas的merge功能。

数据类型转换：部分列可能需要从字符串或其他类型转换为数值类型进行分析。

数据集来源

中国产业研究院：中商产业研究院-中国产业咨询专家-政府产业智库 (askci.com)

https://s.askci.com/stock/summary/000001/（产业数据->数据库->企业数据->平安银行）

数据清洗思路：

1.导入导入数据集并检查数据的完整性和一致性；

2.处理缺失值、异常值和重复值，确保数据的准确性和可靠性。

3.对非数值型特征进行编码或转换为数值型特征，以便后续分析使用。

数据清洗的主要步骤：

运行代码如下：

# 读取原始XLSX文件

workbook = openpyxl.load_workbook('main economic indicators.xlsx')

sheet = workbook.active

for i in range(1, 6): # 获取前五行

row_data = []

for j in range(1, sheet.max_column + 1):

cell_value = sheet.cell(row=i, column=j).value

row_data.append(cell_value)

print(row_data)

# 移除第一行

sheet.delete_rows(1)

# 保存清洗后的XLSX文件

workbook.save('main economic indicators.xlsx')

因为原数据比较清晰，所以我在这里删除了第一行体现数据清洗部分

大数据分析实验

import pandas as pd  
import matplotlib.pyplot as plt  
from pylab import mpl  
mpl.rcParams['font.sans-serif'] = ['simHei']  
# 读取Excel文件  
df = pd.read_excel("main economic indicators.xlsx")  
  
# 提取所需的列数据  
years = df['类别\\年份'].tolist()  
revenue = df['营业收入'].tolist()  
profit = df['净利润'].tolist()  
assets = df['资产总计'].tolist()  
  
# 创建图表  
fig, ax1 = plt.subplots(figsize=(12, 12))  
# 绘制营业收入的线形图  
ax1.plot(years, revenue, label='营业收入', marker='o', color='tab:blue')  
ax1.set_xlabel('年份')  
ax1.set_ylabel('营业收入（亿元）', color='tab:blue')  
ax1.tick_params(axis='y', labelcolor='tab:blue')  
# 创建第二个y轴，用于绘制净利润和资产总计的线形图  
ax2 = ax1.twinx()  
ax2.plot(years, profit, label='净利润', marker='s', color='tab:green')  
ax2.plot(years, assets, label='资产总计', marker='^', color='tab:orange')  
ax2.set_ylabel('净利润和资产总计（亿元）', color='black')  
ax2.tick_params(axis='y', labelcolor='black')  
# 添加图例  
lines1, labels1 = ax1.get_legend_handles_labels()  
lines2, labels2 = ax2.get_legend_handles_labels()  
lines = lines1 + lines2  
labels = labels1 + labels2  
ax1.legend(lines, labels, loc='upper left')  
# 设置图表标题  
plt.title('企业盈利能力分析')  
# 旋转x轴刻度标签，以便更好地显示年份  
plt.xticks(rotation=45)  
# 显示图表  
plt.tight_layout()  
plt.show()  
plt.tight_layout()  
plt.savefig("企业盈利能力分析.png")

这是一张以年份为横轴，营业收入、净利润、资产总计为纵轴的企业盈利能力分析线形图。

通过观察这张图表，可以对公司在这些财务指标方面的变化趋势有一定的了解，有助于业务决策者做出相应的经营和财务决策。

2.企业偿债能力分析

import pandas as pd
import matplotlib.pyplot as plt

# 读取Excel文件
df = pd.read_excel("solvency.xlsx")

# 提取所需的列数据
years = df['年份'].tolist()
debt_to_equity_ratio = df['资产负债率'].tolist()
equity_ratio = df['股东权益比率'].tolist()
current_ratio = df['流动比率'].tolist()
quick_ratio = df['速动比率'].tolist()

# 创建图表
plt.figure(figsize=(12, 15))

# 绘制资产负债率、股东权益比率、流动比率和速动比率的线形图
plt.plot(years, debt_to_equity_ratio, label='资产负债率', marker='o')
plt.plot(years, equity_ratio, label='股东权益比率', marker='o')
plt.plot(years, current_ratio, label='流动比率', marker='o')
plt.plot(years, quick_ratio, label='速动比率', marker='o')

# 添加图例
plt.legend()

# 设置图表标题和标签
plt.title('企业偿债能力分析')
plt.xlabel('年份')
plt.ylabel('百分比(%)')

# 旋转x轴刻度标签，以便更好地显示年份
plt.xticks(rotation=45)

# 显示图表
plt.tight_layout()
plt.show()
plt.tight_layout()
plt.savefig("企业偿债能力分析.png")

这是一张以年份为横轴，资产负债率、股东权益比率、流动比率和速动比率为纵轴的

企业偿债能力分析线形图。通过观察这张图表，可以对公司在这些财务指标方面的变化趋势有一

定的了解，有助于业务决策者做出相应的财务决策。

3.企业营运能力分析

import pandas as pd
import matplotlib.pyplot as plt

# 读取Excel文件
df = pd.read_excel("PROFITABILITY.xlsx")

# 提取所需的列数据
years = df['类别\\年份'].tolist()
inventory_turnover = df['存货周转率'].tolist()
receivables_turnover = df['应收账款周转率'].tolist()
total_asset_turnover = df['总资产周转率'].tolist()

# 创建图表
plt.figure(figsize=(12, 15))

# 绘制存货周转率、应收账款周转率和总资产周转率的线形图
plt.plot(years, inventory_turnover, label='存货周转率', marker='o')
plt.plot(years, receivables_turnover, label='应收账款周转率', marker='o')
plt.plot(years, total_asset_turnover, label='总资产周转率', marker='o')

# 添加图例
plt.legend()

# 设置图表标题和标签
plt.title('公司营运能力分析')
plt.xlabel('年份')
plt.ylabel('次数')

# 旋转x轴刻度标签，以便更好地显示年份
plt.xticks(rotation=45)

# 显示图表
plt.tight_layout()
plt.show()
plt.tight_layout()
plt.savefig("公司营运能力分析.png")

这是一张以年份为横轴，存货周转率、应收账款周转率和总资产周转率为纵轴的公司营运能力分析线形图。

通过观察这张图表，可以对公司在这些方面的变化趋势有一定的了解，有助于业务决策者做出相应的经营决策。

4. 企业月度销售数据分析

import matplotlib.pyplot as plt

# 创建柱形图
fig, ax = plt.subplots()
ax.bar(months, sales)

# 设置图表标题和标签
plt.title('不同月份的销售额')
plt.xlabel('月份')
plt.ylabel('销售额（万元）')

# 显示图表
plt.show()

通过柱形图直观地呈现了不同月份的销售额数据。这样的图表常用于分析销售趋势，识别销售高峰和低谷，

以及比较不同月份之间的销售表现。通过观察图表，可以得知销售业绩的波动情况，有助于企业制定相应的

销售策略、促销活动或库存规划。这种可视化工具为业务决策者提供了一种直观的方式来了解销售数据的变化趋势。

5.企业每年资产总计的变化趋势分析

import pandas as pd
import matplotlib.pyplot as plt

# 读取Excel文件
df = pd.read_excel("main economic indicators.xlsx")

# 提取所需的列数据
years = df['类别\\年份'].tolist()
total_assets = df['资产总计'].tolist()

# 创建折线图
plt.plot(years, total_assets, marker='o')

# 设置图表标题和标签
plt.title('每年的总资产增长情况')
plt.xlabel('年份')
plt.ylabel('资产总计（亿元）')

# 旋转x轴刻度标签，以便更好地显示年份
plt.xticks(rotation=45)

# 显示图表
plt.tight_layout()
plt.show()

通过观察这张折线图，可以了解到企业资产总计的波动情况，有助于对企业财务状况的整体变化进行初步的分析。

这样的可视化工具可以为决策者提供直观的了解，帮助他们做出基于企业资产状况的决策。

5.企业营业收入构成分析

import matplotlib.pyplot as plt

# 创建饼状图
fig, ax = plt.subplots()
ax.pie(revenue_composition, labels=labels, explode=explode, colors=colors, autopct='%1.1f%%', shadow=True, startangle=140)

# 设置图表标题
plt.title('营业收入构成比例')

# 显示图表
plt.show()

通过饼状图直观地呈现了企业营业收入的构成情况。通过观察图表，可以清晰了解各个部分在整体收

入中所占比例，识别哪些部分对总收入的贡献较大，从而为业务决策提供直观的参考。这样的可视化

工具有助于业务人员和决策者更好地理解企业财务状况。

6. 企业产品销售整体占比情况分析

# 创建饼状图
fig, ax = plt.subplots()
ax.pie(sales, labels=labels, autopct='%1.1f%%', startangle=90)

# 设置图表标题
plt.title('产品销售比例')

# 显示图表
plt.show()

通过饼状图直观地展示了产品销售在整体中的比例情况。每个扇形的大小表示相应产品销售额的比例，而标签

和百分比则提供了详细的信息。这样的可视化工具有助于在销售数据中快速识别主要产品或销售占比较大的产品。

6.企业发展能力分析

# 提取发展能力相关的数据
gross_profit_margin = df['销售毛利率'].tolist()
operating_profit_margin = df['营业利润率'].tolist()
total_asset_profit_margin = df['总资产利润率'].tolist()
return_on_equity = df['净资产收益率'].tolist()

# 创建图表
plt.figure(figsize=(12, 18))

# 绘制销售毛利率、营业利润率、总资产利润率和净资产收益率的线形图
plt.plot(years, gross_profit_margin, label='销售毛利率', marker='o')
plt.plot(years, operating_profit_margin, label='营业利润率', marker='o')
plt.plot(years, total_asset_profit_margin, label='总资产利润率', marker='o')
plt.plot(years, return_on_equity, label='净资产收益率', marker='o')

# 添加图例
plt.legend()

# 设置图表标题和标签
plt.title('公司发展能力分析')
plt.xlabel('年份')
plt.ylabel('百分比')

# 旋转x轴刻度标签，以便更好地显示年份
plt.xticks(rotation=45)

# 显示图表
plt.tight_layout()
plt.show()
plt.tight_layout()
plt.savefig("公司发展能力分析.png")

这是一张以年份为横轴，销售毛利率、营业利润率、总资产利润率和净资产收益率为纵轴的公司发展能力分析线形图。

通过观察这张图表，可以对公司在这些发展能力方面的变化趋势有一定的了解，有助于业务决策者做出相应的战略决策。

7.附完整程序源代码(以及输出结果)

  1 #平安银行股份有限公司  
  2 import pandas as pd  
  3 import matplotlib.pyplot as plt  
  4 from pylab import mpl  
  5 mpl.rcParams['font.sans-serif'] = ['simHei']  
  6 # 读取原始XLSX文件  
  7 workbook = openpyxl.load_workbook('main economic indicators.xlsx')  
  8 sheet = workbook.active  
  9 for i in range(1, 6):  # 获取前五行  
 10     row_data = []  
 11     for j in range(1, sheet.max_column + 1):  
 12         cell_value = sheet.cell(row=i, column=j).value  
 13         row_data.append(cell_value)  
 14     print(row_data)  
 15 # 移除第一行  
 16 sheet.delete_rows(1)  
 17   
 18 # 保存清洗后的XLSX文件  
 19 workbook.save('main economic indicators.xlsx')  
 20 # 读取Excel文件  
 21 df = pd.read_excel("main economic indicators.xlsx")  
 22   
 23 # 提取所需的列数据  
 24 years = df['类别\\年份'].tolist()  
 25 revenue = df['营业收入'].tolist()  
 26 profit = df['净利润'].tolist()  
 27 assets = df['资产总计'].tolist()  
 28   
 29 # 创建图表  
 30 fig, ax1 = plt.subplots(figsize=(12, 12))  
 31   
 32 # 绘制营业收入的线形图  
 33 ax1.plot(years, revenue, label='营业收入', marker='o', color='tab:blue')  
 34 ax1.set_xlabel('年份')  
 35 ax1.set_ylabel('营业收入（亿元）', color='tab:blue')  
 36 ax1.tick_params(axis='y', labelcolor='tab:blue')  
 37   
 38 # 创建第二个y轴，用于绘制净利润和资产总计的线形图  
 39 ax2 = ax1.twinx()  
 40 ax2.plot(years, profit, label='净利润', marker='s', color='tab:green')  
 41 ax2.plot(years, assets, label='资产总计', marker='^', color='tab:orange')  
 42 ax2.set_ylabel('净利润和资产总计（亿元）', color='black')  
 43 ax2.tick_params(axis='y', labelcolor='black')  
 44   
 45 # 添加图例  
 46 lines1, labels1 = ax1.get_legend_handles_labels()  
 47 lines2, labels2 = ax2.get_legend_handles_labels()  
 48 lines = lines1 + lines2  
 49 labels = labels1 + labels2  
 50 ax1.legend(lines, labels, loc='upper left')  
 51   
 52 # 设置图表标题  
 53 plt.title('企业盈利能力分析')  
 54   
 55 # 旋转x轴刻度标签，以便更好地显示年份  
 56 plt.xticks(rotation=45)  
 57   
 58 # 显示图表  
 59 plt.tight_layout()  
 60 plt.show()  
 61   
 62   
 63   
 64 import pandas as pd  
 65 import matplotlib.pyplot as plt  
 66   
 67 # 读取Excel文件  
 68 df = pd.read_excel("solvency.xlsx")  
 69   
 70 # 提取所需的列数据  
 71 years = df['年份'].tolist()  
 72 debt_to_equity_ratio = df['资产负债率'].tolist()  
 73 equity_ratio = df['股东权益比率'].tolist()  
 74 current_ratio = df['流动比率'].tolist()  
 75 quick_ratio = df['速动比率'].tolist()  
 76   
 77 # 创建图表  
 78 plt.figure(figsize=(12, 15))  
 79   
 80 # 绘制资产负债率、股东权益比率、流动比率和速动比率的线形图  
 81 plt.plot(years, debt_to_equity_ratio, label='资产负债率', marker='o')  
 82 plt.plot(years, equity_ratio, label='股东权益比率', marker='o')  
 83 plt.plot(years, current_ratio, label='流动比率', marker='o')  
 84 plt.plot(years, quick_ratio, label='速动比率', marker='o')  
 85   
 86 # 添加图例  
 87 plt.legend()  
 88   
 89 # 设置图表标题和标签  
 90 plt.title('企业偿债能力分析')  
 91 plt.xlabel('年份')  
 92 plt.ylabel('百分比(%)')  
 93   
 94 # 旋转x轴刻度标签，以便更好地显示年份  
 95 plt.xticks(rotation=45)  
 96   
 97 # 显示图表  
 98 plt.tight_layout()  
 99 plt.show()  
100 plt.tight_layout()  
101 plt.savefig("企业偿债能力分析.png")  
102   
103   
104   
105 import pandas as pd  
106 import matplotlib.pyplot as plt  
107   
108 # 读取Excel文件  
109 df = pd.read_excel("PROFITABILITY.xlsx")  
110   
111 # 提取所需的列数据  
112 years = df['类别\\年份'].tolist()  
113 inventory_turnover = df['存货周转率'].tolist()  
114 receivables_turnover = df['应收账款周转率'].tolist()  
115 total_asset_turnover = df['总资产周转率'].tolist()  
116   
117 # 创建图表  
118 plt.figure(figsize=(12, 15))  
119   
120 # 绘制存货周转率、应收账款周转率和总资产周转率的线形图  
121 plt.plot(years, inventory_turnover, label='存货周转率', marker='o')  
122 plt.plot(years, receivables_turnover, label='应收账款周转率', marker='o')  
123 plt.plot(years, total_asset_turnover, label='总资产周转率', marker='o')  
124   
125 # 添加图例  
126 plt.legend()  
127   
128 # 设置图表标题和标签  
129 plt.title('公司营运能力分析')  
130 plt.xlabel('年份')  
131 plt.ylabel('次数')  
132   
133 # 旋转x轴刻度标签，以便更好地显示年份  
134 plt.xticks(rotation=45)  
135   
136 # 显示图表  
137 plt.tight_layout()  
138 plt.show()  
139 plt.tight_layout()  
140 plt.savefig("公司营运能力分析.png")  
141   
142   
143   
144 # 提取发展能力相关的数据  
145 gross_profit_margin = df['销售毛利率'].tolist()  
146 operating_profit_margin = df['营业利润率'].tolist()  
147 total_asset_profit_margin = df['总资产利润率'].tolist()  
148 return_on_equity = df['净资产收益率'].tolist()  
149   
150 # 创建图表  
151 plt.figure(figsize=(12, 18))  
152   
153 # 绘制销售毛利率、营业利润率、总资产利润率和净资产收益率的线形图  
154 plt.plot(years, gross_profit_margin, label='销售毛利率', marker='o')  
155 plt.plot(years, operating_profit_margin, label='营业利润率', marker='o')  
156 plt.plot(years, total_asset_profit_margin, label='总资产利润率', marker='o')  
157 plt.plot(years, return_on_equity, label='净资产收益率', marker='o')  
158   
159 # 添加图例  
160 plt.legend()  
161   
162 # 设置图表标题和标签  
163 plt.title('公司发展能力分析')  
164 plt.xlabel('年份')  
165 plt.ylabel('百分比')  
166   
167 # 旋转x轴刻度标签，以便更好地显示年份  
168 plt.xticks(rotation=45)  
169   
170 # 显示图表  
171 plt.tight_layout()  
172 plt.show()  
173 plt.tight_layout()  
174 plt.savefig("公司发展能力分析.png")  
175   
176   
177 import matplotlib.pyplot as plt  
178   
179 # 模拟数据  
180 labels = ['产品A', '产品B', '产品C', '产品D']  
181 sales = [30, 25, 20, 25]  # 假设销售数量  
182   
183 # 创建饼状图  
184 fig, ax = plt.subplots()  
185 ax.pie(sales, labels=labels, autopct='%1.1f%%', startangle=90)  
186   
187 # 设置图表标题  
188 plt.title('产品销售比例')  
189   
190 # 显示图表  
191 plt.show()  
192   
193   
194   
195 import pandas as pd  
196 import matplotlib.pyplot as plt  
197   
198 # 读取Excel文件  
199 df = pd.read_excel("main economic indicators.xlsx")  
200   
201 # 提取所需的列数据  
202 years = df['类别\\年份'].tolist()  
203 total_assets = df['资产总计'].tolist()  
204   
205 # 创建折线图  
206 plt.plot(years, total_assets, marker='o')  
207   
208 # 设置图表标题和标签  
209 plt.title('每年的总资产增长情况')  
210 plt.xlabel('年份')  
211 plt.ylabel('资产总计（亿元）')  
212   
213 # 旋转x轴刻度标签，以便更好地显示年份  
214 plt.xticks(rotation=45)  
215   
216 # 显示图表  
217 plt.tight_layout()  
218 plt.show()  
219   
220   
221   
222 import matplotlib.pyplot as plt  
223   
224 # 模拟数据  
225 labels = ['2019', '2020', '2021', '2022', '2023']  
226 revenue_composition = [30, 25, 20, 15, 10]  # 假设营业收入构成比例  
227 colors = ['gold', 'yellowgreen', 'lightcoral', 'lightskyblue', 'lightgreen']  # 自定义颜色  
228 explode = (0.1, 0, 0, 0, 0)  # 突出显示某一部分数据  
229   
230 # 创建饼状图  
231 fig, ax = plt.subplots()  
232 ax.pie(revenue_composition, labels=labels, explode=explode, colors=colors, autopct='%1.1f%%', shadow=True, startangle=140)  
233   
234 # 设置图表标题  
235 plt.title('营业收入构成比例')  
236   
237 # 显示图表  
238 plt.show()  
239   
240   
241 import matplotlib.pyplot as plt  
242   
243 # 模拟数据  
244 departments = ['销售部', '市场部', '财务部', '人力资源部']  
245 sales = [800, 650, 500, 400]  # 假设每个部门的销售额  
246   
247 # 创建柱形图  
248 fig, ax = plt.subplots()  
249 ax.bar(departments, sales)  
250   
251 # 设置图表标题和标签  
252 plt.title('不同部门的销售额')  
253 plt.xlabel('部门')  
254 plt.ylabel('销售额（万元）')  
255   
256 # 显示图表  
257 plt.show()  
258   
259   
260   
261 import matplotlib.pyplot as plt  
262 import numpy as np  
263   
264 # 模拟数据  
265 regions = ['东区', '南区', '西区', '北区']  
266 sales_2019 = [800, 600, 500, 400]  # 假设每个区域2019年的销售额  
267 sales_2020 = [1000, 700, 600, 450]  # 假设每个区域2020年的销售额  
268   
269 # 创建堆叠柱形图  
270 x = np.arange(len(regions))  
271 width = 0.35  
272 fig, ax = plt.subplots()  
273 ax.bar(x - width/2, sales_2019, width, label='2019')  
274 ax.bar(x + width/2, sales_2020, width, label='2020')  
275   
276 # 设置图表标题和标签  
277 plt.title('不同区域的销售额')  
278 plt.xlabel('区域')  
279 plt.ylabel('销售额（万元）')  
280 plt.xticks(x, regions)  
281 plt.legend()  
282   
283 # 显示图表  
284 plt.show()  
285   
286   
287 import matplotlib.pyplot as plt  
288   
289 # 模拟数据  
290 months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']  
291 sales = [500, 600, 700, 550, 800, 900]  # 假设每个月的销售额  
292   
293 # 创建柱形图  
294 fig, ax = plt.subplots()  
295 ax.bar(months, sales)  
296   
297 # 设置图表标题和标签  
298 plt.title('不同月份的销售额')  
299 plt.xlabel('月份')  
300 plt.ylabel('销售额（万元）')  
301   
302 # 显示图表