# A veces necesitamos instalar nuevas librerías en nuestros proyectos
!pip install openpyxl==3.0.10
Collecting openpyxl==3.0.10
Downloading openpyxl-3.0.10-py2.py3-none-any.whl (242 kB)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 242.1/242.1 KB 18.5 MB/s eta 0:00:00
Collecting et-xmlfile
Downloading et_xmlfile-1.1.0-py3-none-any.whl (4.7 kB)
Installing collected packages: et-xmlfile, openpyxl
Successfully installed et-xmlfile-1.1.0 openpyxl-3.0.10
WARNING: You are using pip version 22.0.4; however, version 22.1.2 is available.
You should consider upgrading via the '/root/venv/bin/python -m pip install --upgrade pip' command.
# imports
import numpy as np
import pandas as pd
import sqlite3 as sql3
import openpyxl # levantar excel
import matplotlib.pyplot as plt
import seaborn as sns
# Levanto los datos en 3 diferentes dataframes
# Artículos
conn = sql3.connect('/work/data/articles.db')
sql_query = pd.read_sql_query('SELECT * FROM articles', conn)
df_articles = pd.DataFrame(sql_query, columns=['article_id', 'article_name', 'unit_price'])
# Vendedores
df_sellers = pd.read_excel('/work/data/sellers.xlsx', index_col=0)
# Ordenes
df_orders = pd.read_csv('/work/data/orders.csv')
# Exploración del df de artículos
print('Muestra de datos')
print(df_articles.head()) # head() 5 Filas por defecto
print('\nFormato del dataframe')
print(df_articles.shape)
print('\nBúsqueda de valores nulls por columna')
print(df_articles.isnull().sum())
print('\nFormato de los datos por columna')
print(df_articles.dtypes)
Muestra de datos
article_id article_name unit_price
0 20015 Smartphone 525.00
1 20016 Full Pc 2127.81
2 20017 Monitor 230.00
3 20018 Tablet 130.00
4 20019 Desk 130.10
Formato del dataframe
(31, 3)
Búsqueda de valores nulls por columna
article_id 0
article_name 0
unit_price 0
dtype: int64
Formato de los datos por columna
article_id int64
article_name object
unit_price object
dtype: object
# Exploración del df de vendedores
print('Muestra de datos')
print(df_sellers.head()) # head() 5 Filas por defecto
print('\nFormato del dataframe')
print(df_sellers.shape)
print('\nBúsqueda de valores nulls por columna')
print(df_sellers.isnull().sum())
print('\nFormato de los datos por columna')
print(df_sellers.dtypes)
Muestra de datos
seller_name
seller_id
1 Aveline Swanwick
2 Jase Doy
3 Oliviero Charkham
4 Cornie Wynrehame
5 Ewell Peres
Formato del dataframe
(15, 1)
Búsqueda de valores nulls por columna
seller_name 0
dtype: int64
Formato de los datos por columna
seller_name object
dtype: object
# Exploración del df de órdenes
print('Muestra de datos')
print(df_orders.head()) # head() 5 Filas por defecto
print('\nFormato del dataframe')
print(df_orders.shape)
print('\nBúsqueda de valores nulls por columna')
print(df_orders.isnull().sum())
print('\nFormato de los datos por columna')
print(df_orders.dtypes)
Muestra de datos
order_id week article_id quantity seller_id country_name
0 15024 1 20039 10 10 Peru
1 15025 1 20029 15 5 Peru
2 15026 1 20024 5 14 Bolivia
3 15027 1 20018 9 14 Brazil
4 15028 1 20035 6 15 Mexico
Formato del dataframe
(1000, 6)
Búsqueda de valores nulls por columna
order_id 0
week 0
article_id 0
quantity 0
seller_id 0
country_name 0
dtype: int64
Formato de los datos por columna
order_id int64
week int64
article_id int64
quantity int64
seller_id int64
country_name object
dtype: object
df_articles['unit_price'] = df_articles['unit_price'].astype(float)
print(df_articles.dtypes)
article_id int64
article_name object
unit_price float64
dtype: object
my_df = df_orders.copy() # shallow copy o copia superficial (otro Objeto alojado en la memoria)
# Cambio el índice del df de artículos
df_articles.set_index('article_id', inplace=True)
my_df = my_df.assign(article_name = my_df['article_id'])
my_df = my_df.assign(total_amount = my_df['article_id'])
my_df = my_df.assign(seller_name = my_df['seller_id'])
# df_articles
# print()
# my_df
for i in range(max(my_df.count())):
# print(i)
# SINTAXIS: df_articles.loc[indice][columna]
# [indice]: va a ser el dato que obtengo de [my_df.loc[i]['article_id']]
# o sea, tomo registro a registro el article_id y lo uso para extraer el nombre del artículo (article_name) de df_articles
# print(df_articles.loc[my_df.loc[i]['article_id']]['article_name'])
article = df_articles.loc[my_df.loc[i]['article_id']]['article_name']
# print(article)
# Asignar a cada valor id de la columna 'article_name' (my_df) el nombre del artículo
my_df.loc[i, 'article_name'] = article
# my_df
# hacemos lo mismo con total_amount
my_df.loc[i, 'total_amount'] = my_df.loc[i, 'quantity']*df_articles.loc[my_df.loc[i]['article_id']]['unit_price']
# Columna de seller name
my_df.loc[i, 'seller_name'] = df_sellers.loc[my_df.loc[i]['seller_id']]['seller_name']
# elimimo las columnas que no necesito del df
my_df.drop(['order_id', 'article_id', 'seller_id'], axis='columns', inplace=True)
print(my_df)
week quantity country_name article_name total_amount seller_name
0 1 10 Peru Water Cooling 675.0 Cirilo Grandham
1 1 15 Peru Mouse 454.5 Ewell Peres
2 1 5 Bolivia Netbook 725.0 Janel O'Curran
3 1 9 Brazil Tablet 1170.0 Janel O'Curran
4 1 6 Mexico Case 227.4 Daisie Slograve
.. ... ... ... ... ... ...
995 4 1 Brazil Modem 67.5 Kati Innot
996 4 15 Brazil Heatsink 150.0 Daisie Slograve
997 4 2 Colombia Heatsink 20.0 Vasily Danilyuk
998 4 14 Brazil Tablet 1820.0 Vasily Danilyuk
999 4 12 Brazil SDD 264.0 Onida Cosely
[1000 rows x 6 columns]
df_articles
article_nameobject
Smartphone3.2%
Full Pc3.2%
29 others93.5%
unit_pricefloat64
2.14 - 2127.81
20015
Smartphone
525
20016
Full Pc
2127.81
20017
Monitor
230
20018
Tablet
130
20019
Desk
130.1
20020
Chair
335.64
20021
Modem
67.5
20022
Range Extender
20.45
20023
Notebook
1000
20024
Netbook
145
# RESOLUCIÓN ANALÍTICA
print(my_df['article_name'].value_counts()) # cuenta valores únicos
HDD 47
SDD 45
Netbook 45
Tablet 40
Usb Cable 39
Sata Cable 38
Pci Express Port 37
Range Extender 36
Smartphone 35
Power Supply 34
Heatsink 34
Headphones 34
Mouse 34
Full Pc 34
Motherboard 33
Water Cooling 32
Video Card 31
Ram Memory 31
Notebook 30
CPU 29
Modem 29
Desk 28
Webcam 28
Mesh Wi-Fi X 2 28
Monitor 26
Case 26
Fan Cooler 25
Chair 24
Scanner 24
Wi-Fi Card 22
Keyboard 22
Name: article_name, dtype: int64
# RESOLUCIÓN GRÁFICA
sns.displot(my_df, x='article_name')
plt.xticks(rotation=90) # 'vertical'
plt.show()
# RESOLUCIÓN ANALÍTICA
df2=(my_df.groupby(by='article_name').sum()).sort_values('total_amount', ascending=False).head(5)
pd.options.display.float_format= '$ {:,.2f}'.format
print(df2['total_amount'])
# 'article_name' es el index
# print(df2) # agrupa (y suma) sólo datos numéricos
# SINTAXIS ALTERNATIVA
# pd.options.display.float_format= '$ {:,.2f}'.format
# print(my_df[['article_name'] + ['total_amount']].groupby(['article_name']).sum().sort_values('total_amount', ascending=False).head(5))
article_name
Full Pc $ 538,335.93
Notebook $ 251,000.00
Smartphone $ 152,250.00
Chair $ 69,477.48
Tablet $ 48,620.00
Name: total_amount, dtype: float64
# RESOLUCIÓN GRÁFICA
plt.pie(x=df2['total_amount'], labels=df2.index, autopct='%1.2f%%')
plt.show()
# 'article_name' es el index
# RESOLUCIÓN ANALÍTICA
df4 = (my_df.groupby(by='seller_name').sum()).sort_values('total_amount', ascending=False)
pd.options.display.float_format= '$ {:,.2f}'.format
# print(df4[['quantity'] + ['total_amount']])
print(df4[['quantity'] + ['total_amount']].head(5))
# 'seller_anme' es el index
quantity total_amount
seller_name
Janel O'Curran 703 $ 192,832.47
Brockie Patience 441 $ 142,709.88
Oliviero Charkham 555 $ 141,329.76
Vasily Danilyuk 521 $ 129,157.55
Daisie Slograve 554 $ 120,520.11
# RESOLUCIÓN GRÁFICA
plt.bar(df4.index, df4['total_amount'])
plt.xticks(rotation=60)
plt.show()
# 'seller_anme' es el index
# RESOLUCIÓN ANALÍTICA
df5 = (my_df.groupby(by='week').sum()).sort_values('total_amount', ascending=False)
pd.options.display.float_format= '$ {:,.2f}'.format
print(df5[['quantity'] + ['total_amount']])
# 'week' es el index
quantity total_amount
week
1 2449 $ 507,458.81
2 2444 $ 415,364.44
3 2114 $ 329,140.03
4 1058 $ 223,844.56
# RESOLUCIÓN GRÁFICA
plt.bar(df5.index, df5['total_amount'])
plt.show()
# 'week' es el index
# RESOLUCIÓN ANALÍTICA
df6=(my_df.groupby(by='country_name').sum()).sort_values('total_amount', ascending=False).head(10)
pd.options.display.float_format= '$ {:,.2f}'.format
print("TOP 10 PAÍSES CON MÁS VENTAS")
print(df6['total_amount'])
TOP 10 PAÍSES CON MÁS VENTAS
country_name
Brazil $ 441,271.85
Argentina $ 205,832.78
Colombia $ 177,514.29
Peru $ 161,421.12
Mexico $ 138,619.99
Venezuela $ 77,684.52
El Salvador $ 57,391.26
Guatemala $ 52,579.25
Honduras $ 36,763.56
Costa Rica $ 34,606.50
Name: total_amount, dtype: float64
#RESOLUCIÓN GRÁFICA
sns.barplot(y=df6.total_amount, x=df6.index, palette="rocket")
plt.title("Top 10 países que más vendieron", size=15)
plt.xlabel("Países", size=12)
plt.ylabel("Ventas en U$s", size=12)
plt.xticks(rotation=60)
plt.show()
# RESOLUCIÓN ANALÍTICA
df8 = my_df.loc[(my_df['country_name'] == 'Mexico')]
df9 = my_df.loc[(my_df['country_name'] == 'Argentina')]
df10 = df8.groupby('week').sum().total_amount
df11 = df9.groupby('week').sum().total_amount
pd.options.display.float_format= '$ {:,.2f}'.format
print('MEXICO')
print(df10)
print('ARGENTINA')
print(df11)
MEXICO
week
1 $ 58,549.25
2 $ 20,959.09
3 $ 19,577.33
4 $ 39,534.32
Name: total_amount, dtype: float64
ARGENTINA
week
1 $ 63,760.48
2 $ 96,789.13
3 $ 26,601.97
4 $ 18,681.20
Name: total_amount, dtype: float64
# RESOLUCIÓN GRÁFICA
df10.plot(xlabel='week',ylabel='Ventas en U$s',color="darkred")
df11.plot(xlabel='week',ylabel='Ventas en U$s',color="lightblue")
plt.title('Evolución de las ventas semanales de Argentina y México')
# RESOLUCIÓN ANALÍTICA
df12 = my_df.loc[(my_df['country_name'] == 'Mexico') | (my_df['country_name'] == 'Argentina')]
df12 = df12[['article_name','country_name','total_amount']]
df12 = df12.groupby(['article_name','country_name'])['total_amount'].sum().sort_values(ascending=False).head(3)
pd.options.display.float_format= '$ {:,.2f}'.format
print("TOP 3 PRODUCTOS QUE MÁS VENTAS GENERARON EN ARGENTINA Y MEXICO")
print(df12)
# RESOLUCIÓN GRÁFICA
c=['lightsalmon','coral','darkred']
plt.pie(x=df12, labels=df12.index,autopct='%1.2f%%',colors=c)
plt.title("TOP 3 PRODUCTOS QUE MÁS VENTAS GENERARON EN ARGENTINA Y MEXICO")
centre_circle = plt.Circle((0,0), 0.4, fc="white")
fig = plt.gcf()
fig.gca().add_artist(centre_circle)
plt.show()
TOP 3 PRODUCTOS QUE MÁS VENTAS GENERARON EN ARGENTINA Y MEXICO
article_name country_name
Full Pc Argentina $ 95,751.45
Notebook Mexico $ 44,000.00
Argentina $ 43,000.00
Name: total_amount, dtype: float64
#A partir del análisis concluímos que:
#El artículo más vendido es el disco sólido (SDD), sin embargo el que más ingresos
#proporcionó es la Full PC, cuyas ventas representaron más del 50% del monto total.
#Janel O'Curran es acreedor del premio al mejor vendedor por amplio margen.
#Las ventas alcanzan su pico en la primera semana y luego van disminuyendo progresivamente.
#El top 10 de los países que más ventas registraron es: Brasil, Argentina, Colombia, Peru,
#Mexico, Venezuela, El Salvador, Guatemala, Honduras, Costa Rica, si bien existe mucha
#variación entre las ventas de cada país.
#Al observar el comportamiento de las ventas de Argentina y México durante las 4 semanas
#vemos una diferencia muy notoria en la evolución, particularmente en la segunda semana.
#Por último, los tres productos que más ventas generan en Argentina y México son la
#Full Pc en Argentina, representando más del 50% del total, y las notebooks de México y
#Argentina, siendo los montos de este artículo bastante similares en ambos países.