BAIGIAMASIS DARBAS
Sąvokos: APE (activité principale exercée) - pagrindinė vykdoma veikla; Chiffres d’affaires nets - grynoji įmonės apyvarta
APE makes it possible to identify the main branch of activity of the company. For instance : 47.11C can be interpret as : Section : G Commerce ; réparation d'automobiles et de motocycles Division : 47 Commerce de détail, à l'exception des automobiles et des motocycles Groupe : 47.1 Commerce de détail en magasin non spécialisé Classe : 47.11 Commerce de détail en magasin non spécialisé à prédominance alimentaire Sous classe : 47.11C Supérettes
import mysql.connector
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
mydb = mysql.connector.connect(
host = 'localhost',
port = '3317',
user = 'root',
password = '***'
)
cursor = mydb.cursor()
cursor.execute('USE nauja_dirbti')
dff = pd.read_sql('SELECT index_number, ape, ape_name, label FROM ape_fusion', con=mydb)
df = pd.read_csv('C:\\Users\\***\\PYTHON\\Darbas\\ape_fusion.csv', index_col=0)
vykdoma = df[['ape', 'ape_name', 'Libellé']]
vykdoma
ape | ape_name | Libellé | |
---|---|---|---|
0 | 1020Z | Transform. & conserv. poisson, crustacés & mol... | Industrie manufacturière |
1 | 812 | Activités de nettoyage | Activités de services administratifs et de sou... |
2 | 1610B | Imprégnation du bois | Industrie manufacturière |
3 | 0910Z | Activités de soutien à l'extraction d'hydrocar... | Industries extractives |
4 | 7420Z | Activités photographiques | Activités spécialisées, scientifiques et techn... |
... | ... | ... | ... |
1668 | 2051 | Fabrication de produits explosifs | Industrie manufacturière |
1669 | 1431 | Fabrication d'articles chaussants à mailles | Industrie manufacturière |
1670 | 9525 | Réparation d'articles d'horlogerie et de bijou... | Autres activités de services |
1671 | 3211 | Frappe de monnaie | Industrie manufacturière |
1672 | 0000 | Inconnu | NaN |
1673 rows × 3 columns
vykdoma_veikla = vykdoma.dropna()
FD = pd.read_csv('C:\\Users\\***\\PYTHON\\Darbas\\data_kaggle.csv',
index_col=0)
FD
C:\Users\eglep\anaconda3\lib\site-packages\IPython\core\interactiveshell.py:3165: DtypeWarning: Columns (84,85) have mixed types.Specify dtype option on import or set low_memory=False. has_raised = await self.run_ast_nodes(code_ast.body, cell_name,
year | Autres impôts, taxes et versements assimilés | Ventes de marchandises | Production vendue biens | Production vendue services | Chiffres d’affaires nets | Production stockée | Production immobilisée | Subventions d’exploitation | Reprises sur amortissements et provisions, transfert de charges | ... | ape_groupe | ape_classe | ape_sous_classe | ess_N° IDENTITE ENTREPRISE (SIREN) | ess_RAISON SOCIALE | ess_ENSEIGNE | ess_SIGLE | ess_CP VILLE | ess_FORME JURIDIQUE | is_ess | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 1919.0 | NaN | 2143339.0 | 189049.0 | 72029.0 | 2404417.0 | NaN | NaN | NaN | 6403.0 | ... | 701.0 | 7010.0 | 7010Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
1 | 2007.0 | NaN | 327650.0 | NaN | 19396.0 | 347046.0 | NaN | NaN | NaN | 9280.0 | ... | 466.0 | 4662.0 | 4662Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
2 | 2008.0 | NaN | 18849.0 | NaN | 847996.0 | 866844.0 | NaN | NaN | NaN | 5626.0 | ... | 701.0 | 7010.0 | 7010Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
3 | 2009.0 | NaN | 268569.0 | NaN | 758.0 | 269327.0 | NaN | NaN | NaN | 4054.0 | ... | 466.0 | 4662.0 | 4662Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
4 | 2009.0 | NaN | 24207.0 | NaN | 1173.0 | 25380.0 | NaN | NaN | NaN | NaN | ... | 466.0 | 4669.0 | 4669C | NaN | NaN | NaN | NaN | NaN | NaN | False |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
99995 | 2016.0 | NaN | NaN | 14834011.0 | 35613.0 | 14869624.0 | NaN | NaN | 1000.0 | 223594.0 | ... | 433.0 | 4333.0 | 4333Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
99996 | 2016.0 | NaN | 1602399.0 | 3155597.0 | 1837610.0 | 6595606.0 | 77695.0 | NaN | NaN | 411190.0 | ... | 81.0 | 812.0 | 0812Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
99997 | 2016.0 | NaN | NaN | 611222.0 | NaN | 611222.0 | NaN | NaN | NaN | 5857.0 | ... | 472.0 | 4722.0 | 4722Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
99998 | 2016.0 | NaN | NaN | NaN | 19586.0 | 19586.0 | NaN | NaN | NaN | NaN | ... | 662.0 | 6622.0 | 6622Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
99999 | 2016.0 | NaN | 1318284.0 | NaN | 14917.0 | 1333202.0 | NaN | NaN | NaN | 182.0 | ... | 464.0 | 4649.0 | 4649Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
100000 rows × 88 columns
FD.describe()
year | Autres impôts, taxes et versements assimilés | Ventes de marchandises | Production vendue biens | Production vendue services | Chiffres d’affaires nets | Production stockée | Production immobilisée | Subventions d’exploitation | Reprises sur amortissements et provisions, transfert de charges | ... | Montant de la TVA. collectée | Total TVA. déductible sur biens et services | Dividendes | siren | enthic | ape_len | ape_division | ape_groupe | ape_classe | ess_N° IDENTITE ENTREPRISE (SIREN) | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
count | 100000.000000 | 0.0 | 3.372600e+04 | 1.471600e+04 | 7.234500e+04 | 8.724400e+04 | 1.317000e+04 | 3.843000e+03 | 1.331500e+04 | 4.767000e+04 | ... | 1.801000e+04 | 1.839900e+04 | 2.199000e+03 | 1.000000e+05 | 98608.000000 | 98608.000000 | 98608.000000 | 98608.000000 | 98608.000000 | 4.210000e+02 |
mean | 2014.702840 | NaN | 6.471795e+06 | 2.698839e+07 | 1.587540e+06 | 5.660321e+06 | 1.541834e+04 | 6.371170e+05 | 5.787882e+04 | 2.162146e+05 | ... | 4.160794e+05 | 2.934100e+05 | 2.967542e+05 | 5.068991e+08 | 845.292076 | 4.998286 | 56.024744 | 563.103531 | 5633.209577 | 4.214226e+08 |
std | 0.838906 | NaN | 7.304842e+07 | 2.253714e+09 | 1.675157e+07 | 7.009078e+07 | 2.069038e+06 | 8.606552e+06 | 8.933368e+05 | 9.712673e+06 | ... | 4.462102e+06 | 4.191736e+06 | 1.204212e+06 | 1.692721e+08 | 511.684275 | 0.041363 | 18.081448 | 180.210596 | 1801.733337 | 1.961189e+08 |
min | 1919.000000 | NaN | -6.519753e+06 | -1.273126e+07 | -8.697778e+08 | -3.217514e+07 | -7.418596e+07 | -7.304187e+06 | -1.636410e+05 | -1.650519e+06 | ... | -4.127710e+05 | -1.466330e+05 | -4.000000e+04 | 5.420120e+06 | 0.000000 | 4.000000 | 0.000000 | 0.000000 | 0.000000 | 5.650148e+06 |
25% | 2014.000000 | NaN | 5.332550e+04 | 4.015800e+04 | 4.360000e+04 | 1.237538e+05 | -1.606125e+04 | 7.506500e+03 | 1.392000e+03 | 2.084250e+03 | ... | 2.222125e+04 | 7.291000e+03 | 2.800000e+04 | 4.030743e+08 | 316.000000 | 5.000000 | 46.000000 | 463.000000 | 4634.000000 | 3.032741e+08 |
50% | 2015.000000 | NaN | 3.704805e+05 | 4.222865e+05 | 1.925160e+05 | 4.525650e+05 | 8.705000e+02 | 3.166000e+04 | 3.500000e+03 | 8.557000e+03 | ... | 7.013650e+04 | 3.192600e+04 | 7.200000e+04 | 4.894499e+08 | 882.000000 | 5.000000 | 56.000000 | 561.000000 | 5610.000000 | 3.807086e+08 |
75% | 2015.000000 | NaN | 1.566350e+06 | 2.061948e+06 | 7.334630e+05 | 1.522934e+06 | 2.542625e+04 | 1.503930e+05 | 1.110000e+04 | 3.779875e+04 | ... | 2.035662e+05 | 1.088275e+05 | 2.000000e+05 | 5.342671e+08 | 1335.000000 | 5.000000 | 69.000000 | 691.000000 | 6910.000000 | 5.101543e+08 |
max | 2016.000000 | NaN | 5.080573e+09 | 2.732734e+11 | 2.266566e+09 | 7.442405e+09 | 9.511900e+07 | 4.474379e+08 | 8.112332e+07 | 1.968355e+09 | ... | 4.202754e+08 | 4.067239e+08 | 3.006202e+07 | 9.986404e+08 | 1672.000000 | 5.000000 | 96.000000 | 960.000000 | 9609.000000 | 8.159802e+08 |
8 rows × 76 columns
FD.info()
<class 'pandas.core.frame.DataFrame'> Int64Index: 100000 entries, 0 to 99999 Data columns (total 88 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 year 100000 non-null float64 1 Autres impôts, taxes et versements assimilés 0 non-null float64 2 Ventes de marchandises 33726 non-null float64 3 Production vendue biens 14716 non-null float64 4 Production vendue services 72345 non-null float64 5 Chiffres d’affaires nets 87244 non-null float64 6 Production stockée 13170 non-null float64 7 Production immobilisée 3843 non-null float64 8 Subventions d’exploitation 13315 non-null float64 9 Reprises sur amortissements et provisions, transfert de charges 47670 non-null float64 10 Autres produits 64523 non-null float64 11 Total des produits d’exploitation 83360 non-null float64 12 Achats de marchandises (y compris droits de douane) 26508 non-null float64 13 Variation de stock (marchandises) 21985 non-null float64 14 Achats de matières premières et autres approvisionnements 38100 non-null float64 15 Variation de stock (matières premières et approvisionnements) 22174 non-null float64 16 Autres achats et charges externes 95423 non-null float64 17 Impôts, taxes et versements assimilés 90588 non-null float64 18 Salaires et traitements 73258 non-null float64 19 Charges sociales 73794 non-null float64 20 Autres charges 67772 non-null float64 21 Total des charges d’exploitation 96110 non-null float64 22 Résultat d'exploitation 87924 non-null float64 23 Bénéfice attribué ou perte transférée 1212 non-null float64 24 Perte supportée ou bénéfice transféré 1110 non-null float64 25 Produits financiers de participations 13473 non-null float64 26 Produits des autres valeurs mobilières et créances de l’actif immobilisé 4659 non-null float64 27 Autres intérêts et produits assimilés 35961 non-null float64 28 Reprises sur provisions et transferts de charges financier 4012 non-null float64 29 Différences positives de change 6012 non-null float64 30 Produits nets sur cessions de valeurs mobilières de placement 4460 non-null float64 31 Total des produits financiers 33486 non-null float64 32 Dotations financières sur amortissements et provisions 4131 non-null float64 33 Intérêts et charges assimilées 49274 non-null float64 34 Différences négatives de change 5539 non-null float64 35 Charges nettes sur cessions de valeurs mobilières de placement 1022 non-null float64 36 Total des charges financières 66945 non-null float64 37 Résultat financier 75992 non-null float64 38 Résultat en cours avant impôts 90609 non-null float64 39 Produits exceptionnels sur opérations de gestion 29188 non-null float64 40 Produits exceptionnels sur opérations en capital 21989 non-null float64 41 Reprises sur provisions et transferts de charges exceptionnel 5513 non-null float64 42 Total des produits exceptionnels 31809 non-null float64 43 Charges exceptionnelles sur opérations de gestion 41716 non-null float64 44 Charges exceptionnelles sur opérations en capital 17306 non-null float64 45 Dotations exceptionnelles aux amortissements et provisions 8288 non-null float64 46 Total des charges exceptionnelles 61414 non-null float64 47 Résultat exceptionnel 60949 non-null float64 48 Participation des salariés aux résultats de l’entreprise 2983 non-null float64 49 Impôts sur les bénéfices 49540 non-null float64 50 Total des produits 90512 non-null float64 51 Total des charges 93629 non-null float64 52 Bénéfices ou perte (Total des produits ‐ Total des charges) 87167 non-null float64 53 Impôts différés (compte de résultat) 0 non-null float64 54 Résultat net des sociétés mises en équivalence 0 non-null float64 55 Résultat net des entreprises intégrées 0 non-null float64 56 Résultat Groupe (Résultat net consolidé) 0 non-null float64 57 Part des intérêts minoritaires (Résultat hors groupe) 0 non-null float64 58 Résultat net part du groupe (part de la société mère) 0 non-null float64 59 Rémunération d’intermédiaires et honoraires (hors rétrocessions) 20674 non-null float64 60 Location, charges locatives et de copropriété 18359 non-null float64 61 Effectif moyen du personnel 16372 non-null float64 62 Sous‐traitance 13098 non-null float64 63 Personnel extérieur à l’entreprise 4300 non-null float64 64 Rétrocessions d’honoraires, commissions et courtages 1573 non-null float64 65 Taxe professionnelle 17482 non-null float64 66 Montant de la TVA. collectée 18010 non-null float64 67 Total TVA. déductible sur biens et services 18399 non-null float64 68 Dividendes 2199 non-null float64 69 siren 100000 non-null int64 70 denomination 98609 non-null object 71 enthic 98608 non-null float64 72 postal_code 98609 non-null object 73 town 98609 non-null object 74 ape 98608 non-null object 75 ape_name 98608 non-null object 76 ape_len 98608 non-null float64 77 ape_division 98608 non-null float64 78 ape_groupe 98608 non-null float64 79 ape_classe 98608 non-null float64 80 ape_sous_classe 98439 non-null object 81 ess_N° IDENTITE ENTREPRISE (SIREN) 421 non-null float64 82 ess_RAISON SOCIALE 421 non-null object 83 ess_ENSEIGNE 26 non-null object 84 ess_SIGLE 87 non-null object 85 ess_CP VILLE 421 non-null object 86 ess_FORME JURIDIQUE 421 non-null object 87 is_ess 100000 non-null bool dtypes: bool(1), float64(75), int64(1), object(11) memory usage: 67.2+ MB
#FD.drop(['ape_groupe'], axis=1, inplace=True)
FD.sort_values(by=['year'], ascending=True)
FD
year | Autres impôts, taxes et versements assimilés | Ventes de marchandises | Production vendue biens | Production vendue services | Chiffres d’affaires nets | Production stockée | Production immobilisée | Subventions d’exploitation | Reprises sur amortissements et provisions, transfert de charges | ... | ape_groupe | ape_classe | ape_sous_classe | ess_N° IDENTITE ENTREPRISE (SIREN) | ess_RAISON SOCIALE | ess_ENSEIGNE | ess_SIGLE | ess_CP VILLE | ess_FORME JURIDIQUE | is_ess | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 1919.0 | NaN | 2143339.0 | 189049.0 | 72029.0 | 2404417.0 | NaN | NaN | NaN | 6403.0 | ... | 701.0 | 7010.0 | 7010Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
1 | 2007.0 | NaN | 327650.0 | NaN | 19396.0 | 347046.0 | NaN | NaN | NaN | 9280.0 | ... | 466.0 | 4662.0 | 4662Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
2 | 2008.0 | NaN | 18849.0 | NaN | 847996.0 | 866844.0 | NaN | NaN | NaN | 5626.0 | ... | 701.0 | 7010.0 | 7010Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
3 | 2009.0 | NaN | 268569.0 | NaN | 758.0 | 269327.0 | NaN | NaN | NaN | 4054.0 | ... | 466.0 | 4662.0 | 4662Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
4 | 2009.0 | NaN | 24207.0 | NaN | 1173.0 | 25380.0 | NaN | NaN | NaN | NaN | ... | 466.0 | 4669.0 | 4669C | NaN | NaN | NaN | NaN | NaN | NaN | False |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
99995 | 2016.0 | NaN | NaN | 14834011.0 | 35613.0 | 14869624.0 | NaN | NaN | 1000.0 | 223594.0 | ... | 433.0 | 4333.0 | 4333Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
99996 | 2016.0 | NaN | 1602399.0 | 3155597.0 | 1837610.0 | 6595606.0 | 77695.0 | NaN | NaN | 411190.0 | ... | 81.0 | 812.0 | 0812Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
99997 | 2016.0 | NaN | NaN | 611222.0 | NaN | 611222.0 | NaN | NaN | NaN | 5857.0 | ... | 472.0 | 4722.0 | 4722Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
99998 | 2016.0 | NaN | NaN | NaN | 19586.0 | 19586.0 | NaN | NaN | NaN | NaN | ... | 662.0 | 6622.0 | 6622Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
99999 | 2016.0 | NaN | 1318284.0 | NaN | 14917.0 | 1333202.0 | NaN | NaN | NaN | 182.0 | ... | 464.0 | 4649.0 | 4649Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
100000 rows × 88 columns
FD[FD['ape_sous_classe'].isin(['4633Z'])]
year | Autres impôts, taxes et versements assimilés | Ventes de marchandises | Production vendue biens | Production vendue services | Chiffres d’affaires nets | Production stockée | Production immobilisée | Subventions d’exploitation | Reprises sur amortissements et provisions, transfert de charges | ... | ape_groupe | ape_classe | ape_sous_classe | ess_N° IDENTITE ENTREPRISE (SIREN) | ess_RAISON SOCIALE | ess_ENSEIGNE | ess_SIGLE | ess_CP VILLE | ess_FORME JURIDIQUE | is_ess | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
315 | 2012.0 | NaN | 3.688646e+08 | 52715.0 | 1960671.0 | 3.708780e+08 | NaN | NaN | NaN | NaN | ... | 463.0 | 4633.0 | 4633Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
347 | 2012.0 | NaN | 1.003733e+09 | NaN | 3123448.0 | 1.006856e+09 | NaN | NaN | 3500.0 | 347517.0 | ... | 463.0 | 4633.0 | 4633Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
348 | 2012.0 | NaN | 4.353803e+08 | NaN | 5644842.0 | 4.410251e+08 | NaN | NaN | NaN | NaN | ... | 463.0 | 4633.0 | 4633Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
553 | 2012.0 | NaN | 1.707619e+06 | NaN | 9855.0 | 1.717474e+06 | NaN | NaN | NaN | NaN | ... | 463.0 | 4633.0 | 4633Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
1902 | 2013.0 | NaN | NaN | 23932664.0 | 483506.0 | 2.441617e+07 | -9983.0 | NaN | NaN | 8280.0 | ... | 463.0 | 4633.0 | 4633Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
97768 | 2016.0 | NaN | 1.931138e+06 | NaN | NaN | 1.931138e+06 | NaN | NaN | NaN | 66169.0 | ... | 463.0 | 4633.0 | 4633Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
97819 | 2016.0 | NaN | 1.348878e+07 | 15378.0 | 926.0 | 1.350508e+07 | NaN | NaN | 3200.0 | 5162.0 | ... | 463.0 | 4633.0 | 4633Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
97998 | 2016.0 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | 463.0 | 4633.0 | 4633Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
98349 | 2016.0 | NaN | 1.411975e+07 | -337.0 | 161387.0 | 1.428080e+07 | NaN | NaN | 3000.0 | 18904.0 | ... | 463.0 | 4633.0 | 4633Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
98402 | 2016.0 | NaN | 2.737816e+08 | NaN | 2697215.0 | 2.764788e+08 | NaN | NaN | NaN | 6793455.0 | ... | 463.0 | 4633.0 | 4633Z | NaN | NaN | NaN | NaN | NaN | NaN | False |
123 rows × 88 columns
apyvarta_pagal_metus = FD[['year', 'Chiffres d’affaires nets', 'ape_sous_classe']]
apyvarta_pagal_metus
year | Chiffres d’affaires nets | ape_sous_classe | |
---|---|---|---|
0 | 1919.0 | 2404417.0 | 7010Z |
1 | 2007.0 | 347046.0 | 4662Z |
2 | 2008.0 | 866844.0 | 7010Z |
3 | 2009.0 | 269327.0 | 4662Z |
4 | 2009.0 | 25380.0 | 4669C |
... | ... | ... | ... |
99995 | 2016.0 | 14869624.0 | 4333Z |
99996 | 2016.0 | 6595606.0 | 0812Z |
99997 | 2016.0 | 611222.0 | 4722Z |
99998 | 2016.0 | 19586.0 | 6622Z |
99999 | 2016.0 | 1333202.0 | 4649Z |
100000 rows × 3 columns
apyvarta = apyvarta_pagal_metus[apyvarta_pagal_metus['Chiffres d’affaires nets'].notna()]
apyvarta_metai = apyvarta[(apyvarta['year'] > 2006)]
apyvarta_metai.info()
<class 'pandas.core.frame.DataFrame'> Int64Index: 87243 entries, 1 to 99999 Data columns (total 3 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 year 87243 non-null float64 1 Chiffres d’affaires nets 87243 non-null float64 2 ape_sous_classe 85871 non-null object dtypes: float64(2), object(1) memory usage: 2.7+ MB
vppm = (apyvarta_metai.groupby(['year'])['Chiffres d’affaires nets'].sum()).round().astype('int64').reset_index()
vppm
year | Chiffres d’affaires nets | |
---|---|---|
0 | 2007.0 | 347046 |
1 | 2008.0 | 866844 |
2 | 2009.0 | 294707 |
3 | 2010.0 | 588197 |
4 | 2011.0 | 30390173 |
5 | 2012.0 | 5649701708 |
6 | 2013.0 | 32247017849 |
7 | 2014.0 | 91694738169 |
8 | 2015.0 | 222406307780 |
9 | 2016.0 | 141796376603 |
metine_apyvarta=vppm.reset_index().astype('int64')
metine_apyvarta # max.Du šimtai dvidešimt du milijardai keturi šimtai šeši milijonai trys šimtai septyni tūkstančiai
index | year | Chiffres d’affaires nets | |
---|---|---|---|
0 | 0 | 2007 | 347046 |
1 | 1 | 2008 | 866844 |
2 | 2 | 2009 | 294707 |
3 | 3 | 2010 | 588197 |
4 | 4 | 2011 | 30390173 |
5 | 5 | 2012 | 5649701708 |
6 | 6 | 2013 | 32247017849 |
7 | 7 | 2014 | 91694738169 |
8 | 8 | 2015 | 222406307780 |
9 | 9 | 2016 | 141796376603 |
sns.relplot(x="year", y="Chiffres d’affaires nets",
height=4, ci=None, kind="line", data=metine_apyvarta)
plt.title('Grynoji apyvarta 2007-2016 m')
Text(0.5, 1.0, 'Grynoji apyvarta 2007-2016 m')
Išvada: duomenys patvirtina hipotezę, jog ekonominės krizės metais (2008-2009 m.) įmonės Prancūzijoje patyrė pastebimus nuostolius, tuo tarpu krizei pasibaigus, praėjus keliems metams, matomas ženklus apyvartos kilimas. Ryškiausias grynosios apyvartos išaugimas - 2012 m. Bendra įmonių apyvarta per metus išaugo net 186 kartus.
# veikla_apyvarta = metine_apyvarta[(metine_apyvarta['ape_sous_classe'].notna() & metine_apyvarta['Chiffres d’affaires nets'].notna()) & (metine_apyvarta['year'] > 2006)]
veiklos = (veikla_apyvarta.groupby(['ape_sous_classe'])['Chiffres d’affaires nets'].sum()).round().astype('int64').sort_values(ascending=False).reset_index()
pelningiausios_veiklos = veiklos.head(10)
pelningiausios_veiklos
ape_sous_classe | Chiffres d’affaires nets | |
---|---|---|
0 | 4633Z | 30485118690 |
1 | 4617A | 23829247632 |
2 | 7022Z | 23372777571 |
3 | 7010Z | 16742174273 |
4 | 1011Z | 15686719487 |
5 | 4711F | 14948117845 |
6 | 4511Z | 11036534538 |
7 | 4669B | 9172177385 |
8 | 1051C | 8724860009 |
9 | 4669A | 6725851807 |
veiklos_sritis = vykdoma_veikla[vykdoma_veikla['ape'].isin(['4633Z', '4617A', '7022Z', '7010Z', '1011Z', '4711F', '4511Z', '4669B', '1051C', '4669A' ])]
veiklos_sritis
ape | ape_name | Libellé | |
---|---|---|---|
97 | 4669B | Commerce de gros de fournitures et équipements... | Commerce ; réparation d'automobiles et de moto... |
118 | 4511Z | Commerce de voitures et de véhicules automobil... | Commerce ; réparation d'automobiles et de moto... |
173 | 4633Z | Com. gros produits laitiers, oeufs, huiles & m... | Commerce ; réparation d'automobiles et de moto... |
286 | 4711F | Hypermarchés | Commerce ; réparation d'automobiles et de moto... |
314 | 7022Z | Conseil pour les affaires et autres conseils d... | Activités spécialisées, scientifiques et techn... |
362 | 7010Z | Activités des sièges sociaux | Activités spécialisées, scientifiques et techn... |
834 | 1011Z | Transformation et conservation de la viande de... | Industrie manufacturière |
1104 | 1051C | Fabrication de fromage | Industrie manufacturière |
1577 | 4617A | Centrales d'achat alimentaires | Commerce ; réparation d'automobiles et de moto... |
1596 | 4669A | Commerce de gros de matériel électrique | Commerce ; réparation d'automobiles et de moto... |
right = pelningiausios_veiklos.set_index(['ape_sous_classe'])
left = veiklos_sritis.set_index(['ape'])
left.join(right).sort_values(by='Chiffres d’affaires nets')
ape_name | Libellé | Chiffres d’affaires nets | |
---|---|---|---|
ape | |||
4669A | Commerce de gros de matériel électrique | Commerce ; réparation d'automobiles et de moto... | 6725851807 |
1051C | Fabrication de fromage | Industrie manufacturière | 8724860009 |
4669B | Commerce de gros de fournitures et équipements... | Commerce ; réparation d'automobiles et de moto... | 9172177385 |
4511Z | Commerce de voitures et de véhicules automobil... | Commerce ; réparation d'automobiles et de moto... | 11036534538 |
4711F | Hypermarchés | Commerce ; réparation d'automobiles et de moto... | 14948117845 |
1011Z | Transformation et conservation de la viande de... | Industrie manufacturière | 15686719487 |
7010Z | Activités des sièges sociaux | Activités spécialisées, scientifiques et techn... | 16742174273 |
7022Z | Conseil pour les affaires et autres conseils d... | Activités spécialisées, scientifiques et techn... | 23372777571 |
4617A | Centrales d'achat alimentaires | Commerce ; réparation d'automobiles et de moto... | 23829247632 |
4633Z | Com. gros produits laitiers, oeufs, huiles & m... | Commerce ; réparation d'automobiles et de moto... | 30485118690 |
# apyvarta_TOP10 = apyvarta_metai[(apyvarta_metai['Chiffres d’affaires nets'].notna()) &
# (apyvarta_metai['Chiffres d’affaires nets'].sum()).round().astype('int64')]
df = left.join(right).sort_values(by='Chiffres d’affaires nets', ascending=False)
# pln_veiklos_TOP10['Chiffres d’affaires nets'].round().astype('int64')
df
ape_name | Libellé | Chiffres d’affaires nets | |
---|---|---|---|
ape | |||
4633Z | Com. gros produits laitiers, oeufs, huiles & m... | Commerce ; réparation d'automobiles et de moto... | 30485118690 |
4617A | Centrales d'achat alimentaires | Commerce ; réparation d'automobiles et de moto... | 23829247632 |
7022Z | Conseil pour les affaires et autres conseils d... | Activités spécialisées, scientifiques et techn... | 23372777571 |
7010Z | Activités des sièges sociaux | Activités spécialisées, scientifiques et techn... | 16742174273 |
1011Z | Transformation et conservation de la viande de... | Industrie manufacturière | 15686719487 |
4711F | Hypermarchés | Commerce ; réparation d'automobiles et de moto... | 14948117845 |
4511Z | Commerce de voitures et de véhicules automobil... | Commerce ; réparation d'automobiles et de moto... | 11036534538 |
4669B | Commerce de gros de fournitures et équipements... | Commerce ; réparation d'automobiles et de moto... | 9172177385 |
1051C | Fabrication de fromage | Industrie manufacturière | 8724860009 |
4669A | Commerce de gros de matériel électrique | Commerce ; réparation d'automobiles et de moto... | 6725851807 |
df['%'] = ((df['Chiffres d’affaires nets'] / df['Chiffres d’affaires nets'].sum())*100).round(2).astype(str) + '%'
df
ape_name | Libellé | Chiffres d’affaires nets | % | |
---|---|---|---|---|
ape | ||||
4633Z | Com. gros produits laitiers, oeufs, huiles & m... | Commerce ; réparation d'automobiles et de moto... | 30485118690 | 18.97% |
4617A | Centrales d'achat alimentaires | Commerce ; réparation d'automobiles et de moto... | 23829247632 | 14.83% |
7022Z | Conseil pour les affaires et autres conseils d... | Activités spécialisées, scientifiques et techn... | 23372777571 | 14.54% |
7010Z | Activités des sièges sociaux | Activités spécialisées, scientifiques et techn... | 16742174273 | 10.42% |
1011Z | Transformation et conservation de la viande de... | Industrie manufacturière | 15686719487 | 9.76% |
4711F | Hypermarchés | Commerce ; réparation d'automobiles et de moto... | 14948117845 | 9.3% |
4511Z | Commerce de voitures et de véhicules automobil... | Commerce ; réparation d'automobiles et de moto... | 11036534538 | 6.87% |
4669B | Commerce de gros de fournitures et équipements... | Commerce ; réparation d'automobiles et de moto... | 9172177385 | 5.71% |
1051C | Fabrication de fromage | Industrie manufacturière | 8724860009 | 5.43% |
4669A | Commerce de gros de matériel électrique | Commerce ; réparation d'automobiles et de moto... | 6725851807 | 4.18% |
df['key'] = ((df['Chiffres d’affaires nets'] / df['Chiffres d’affaires nets'].sum())*100).round(2).astype('float')
df
ape_name | Libellé | Chiffres d’affaires nets | % | key | |
---|---|---|---|---|---|
ape | |||||
4633Z | Com. gros produits laitiers, oeufs, huiles & m... | Commerce ; réparation d'automobiles et de moto... | 30485118690 | 18.97% | 18.97 |
4617A | Centrales d'achat alimentaires | Commerce ; réparation d'automobiles et de moto... | 23829247632 | 14.83% | 14.83 |
7022Z | Conseil pour les affaires et autres conseils d... | Activités spécialisées, scientifiques et techn... | 23372777571 | 14.54% | 14.54 |
7010Z | Activités des sièges sociaux | Activités spécialisées, scientifiques et techn... | 16742174273 | 10.42% | 10.42 |
1011Z | Transformation et conservation de la viande de... | Industrie manufacturière | 15686719487 | 9.76% | 9.76 |
4711F | Hypermarchés | Commerce ; réparation d'automobiles et de moto... | 14948117845 | 9.3% | 9.30 |
4511Z | Commerce de voitures et de véhicules automobil... | Commerce ; réparation d'automobiles et de moto... | 11036534538 | 6.87% | 6.87 |
4669B | Commerce de gros de fournitures et équipements... | Commerce ; réparation d'automobiles et de moto... | 9172177385 | 5.71% | 5.71 |
1051C | Fabrication de fromage | Industrie manufacturière | 8724860009 | 5.43% | 5.43 |
4669A | Commerce de gros de matériel électrique | Commerce ; réparation d'automobiles et de moto... | 6725851807 | 4.18% | 4.18 |
pp = df
colors = ['#4F6272', '#B7C3F3', '#DD7596', '#8EB897']
pp.iloc[0:10].plot.pie(x = 'ape', y = 'key', autopct='%1.1f%%', radius=1.5, colors=colors)
plt.show
<function matplotlib.pyplot.show(close=None, block=None)>
Išvada: 'pie chart' išryškėja trys veiklos sritys, kurios duotų laikotarpiu jose dirbančioms įmonėms atnešė didžiausią pelną: didmeninė prekyba pieno produktais, kiaušiniais ir pan., prekybos centrai, verslo konsultavimo veiklos. Nemažai sričių susijusių su maisto kultūra (be pagrindinės: mėsos perdirbimo, konservavimo sritys, sūrių gamyba).
veiklos = (veikla_apyvarta.groupby(['ape_sous_classe'])['Chiffres d’affaires nets'].sum()).round().astype('int64').sort_values(ascending=True).reset_index()
nuostolingiausios_veiklos = veiklos.head(10)
nuostolingiausios_veiklos
ape_sous_classe | Chiffres d’affaires nets | |
---|---|---|
0 | 1031Z | -4301 |
1 | 3513Z | 15435 |
2 | 0145Z | 59202 |
3 | 3091Z | 89428 |
4 | 8423Z | 92258 |
5 | 2891Z | 106018 |
6 | 1106Z | 124950 |
7 | 7722Z | 140314 |
8 | 8430B | 142480 |
9 | 1420Z | 183879 |
veiklos_sritis1 = vykdoma_veikla[vykdoma_veikla['ape'].isin(['1031Z', '3513Z', '0145Z', '3091Z', '8423Z', '2891Z', '1106Z', '7722Z', '8430B', '1420Z'])]
right1 = nuostolingiausios_veiklos.set_index(['ape_sous_classe'])
left1 = veiklos_sritis1.set_index(['ape'])
left1.join(right1).sort_values(by='Chiffres d’affaires nets', ascending=True)
ape_name | Libellé | Chiffres d’affaires nets | |
---|---|---|---|
ape | |||
1031Z | Transformation et conservation de pommes de terre | Industrie manufacturière | -4301 |
3513Z | Distribution d'électricité | Production et distribution d'électricité, de g... | 15435 |
0145Z | Élevage d'ovins et de caprins | Agriculture, sylviculture et pêche | 59202 |
3091Z | Fabrication de motocycles | Industrie manufacturière | 89428 |
8423Z | Justice | Administration publique | 92258 |
2891Z | Fabrication de machines pour la métallurgie | Industrie manufacturière | 106018 |
1106Z | Fabrication de malt | Industrie manufacturière | 124950 |
7722Z | Location de vidéocassettes et disques vidéo | Activités de services administratifs et de sou... | 140314 |
8430B | Gestion des retraites complémentaires | Administration publique | 142480 |
1420Z | Fabrication d'articles en fourrure | Industrie manufacturière | 183879 |
pln_veiklos_nuost10 = left1.join(right1).sort_values(by='Chiffres d’affaires nets', ascending=True)
pln_veiklos_nuost10.to_csv('pln_veiklos_nuost10.csv')
Dažniausiai veiklos, turinčios mažiausias apyvartas, siejasi su gamybos pramonės bei viešojo administravimo sritimis. Vis dėl to pastebimai išsiskira bulvių perdirbimo ir konservavimo veikla.