Hier is een voorbeeld Python-code om een heatmap te maken met Matplotlib en Seaborn, gebaseerd op jouw beschrijving. Deze code bevat opties voor kleurenschema 'coolwarm', annotaties uit, en aanpassingen voor titels en labels. Vervang de voorbeeldgegevens door jouw dataset. ```python import matplotlib.pyplot as plt import seaborn as sns import pandas as pd import numpy as np # Voorbeeld dataset: vervang dit door jouw data # Bijvoorbeeld: data = pd.read_csv('jouw_dataset.csv') # Voor nu genereren we een voorbeeld DataFrame np.random.seed(0) bedrijven = ['Bedrijf A', 'Bedrijf B', 'Bedrijf C', 'Bedrijf D'] jaren = [2019, 2020, 2021, 2022, 2023] data = pd.DataFrame(np.random.randn(len(bedrijven), len(jaren)), index=bedrijven, columns=jaren) # Bereken correlaties of dichtheidsverdeling; hier voorbeeld met correlaties corr = data.T.corr() # Maak de heatmap plt.figure(figsize=(8, 6)) sns.heatmap(corr, annot=False, cmap='coolwarm', cbar=True) # Voeg titels en labels toe plt.title('Correlation Heatmap of Financial Indicators') plt.xlabel('Years') plt.ylabel('Companies') # Optioneel: annotaties met waarden # sns.heatmap(corr, annot=True, cmap='coolwarm', cbar=True) plt.show() ``` **Aanpassingen die je kunt maken:** - Vervang de voorbeeld `data` door je eigen dataset, bijvoorbeeld door `pd.read_csv()`. - Zet `annot=True` in `sns.heatmap()` als je de correlatiewaarden direct op de heatmap wilt tonen. - Pas de titels en labels aan naar wens. - Voor andere kleurenschema's, wijzig de `cmap` parameter (bijvoorbeeld `'viridis'`, `'plasma'`, etc.). Veel succes!

Hier is een complete Python-code voor uw financiële heatmap: ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # Voorbeeld dataset (vervang dit met uw eigen data) data = { 'Bedrijf': ['Bedrijf A', 'Bedrijf B', 'Bedrijf C', 'Bedrijf D', 'Bedrijf E'] * 5, 'Jaar': [2019]*5 + [2020]*5 + [2021]*5 + [2022]*5 + [2023]*5, 'Omzet (mln)': np.random.uniform(50, 500, 25), 'Winst (mln)': np.random.uniform(5, 80, 25), 'ROE (%)': np.random.uniform(8, 25, 25), 'Schuldratio': np.random.uniform(0.2, 1.5, 25) } df = pd.DataFrame(data) # Maak een pivot table voor de heatmap # Kies welke financiële indicator u wilt visualiseren (bijvoorbeeld 'Omzet (mln)') pivot_table = df.pivot_table(values='Omzet (mln)', index='Bedrijf', columns='Jaar') # Stel de figuurgrootte in plt.figure(figsize=(12, 8)) # Maak de heatmap met gewenste opties heatmap = sns.heatmap( pivot_table, cmap='coolwarm', # Kleurenschema annot=False, # Annotaties uit fmt='.1f', # Format voor waarden (indien annotaties aan) linewidths=0.5, # Lijndikte tussen cellen cbar_kws={'label': 'Omzet (miljoen €)'} # Colorbar label ) # Stel titel en labels in (in het Engels) plt.title('Financial Performance Heatmap - Revenue by Company and Year', fontsize=16, fontweight='bold') plt.xlabel('Year', fontsize=12) plt.ylabel('Company', fontsize=12) # Pas de rotatie van jaar labels aan voor betere leesbaarheid plt.xticks(rotation=45) plt.yticks(rotation=0) # Toon de heatmap plt.tight_layout() plt.show() # Optioneel: correlatie heatmap voor financiële indicatoren plt.figure(figsize=(10, 8)) # Bereken correlatiematrix correlation_matrix = df[['Omzet (mln)', 'Winst (mln)', 'ROE (%)', 'Schuldratio']].corr() # Maak correlatie heatmap corr_heatmap = sns.heatmap( correlation_matrix, cmap='coolwarm', annot=True, # Toon correlatiewaarden fmt='.2f', linewidths=0.5, center=0, # Centreer op 0 voor correlaties square=True # Vierkante cellen ) plt.title('Correlation Matrix of Financial Indicators', fontsize=16, fontweight='bold') plt.tight_layout() plt.show() ``` **Belangrijke aanpassingen voor uw dataset:** 1. **Vervang de voorbeelddata** met uw eigen DataFrame: ```python # Laad uw eigen data df = pd.read_csv('uw_bestand.csv') ``` 2. **Pas de pivot_table aan** op basis van welke indicator u wilt visualiseren: ```python pivot_table = df.pivot_table(values='UW_KOLOM_NAAM', index='BEDRIJF_KOLOM', columns='JAAR_KOLOM') ``` 3. **Wijzig de labels** volgens uw dataset: ```python cbar_kws={'label': 'Uw Eenheid'} plt.ylabel('Uw Index Label') ``` **Benodigde installaties:** ```bash pip install pandas numpy matplotlib seaborn ``` De code bevat twee heatmaps: één voor tijdreeksdata per bedrijf en één correlatiematrix voor financiële indicatoren. Pas de variabelenamen aan volgens uw datasetstructuur.