# 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 29.6 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 # para que levante bien el 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)
# Órdenes
df_orders = pd.read_csv('/work/data/orders.csv')
# Exploración del df de artículos
print('Muestra de datos')
print(df_articles.head())
print('\nFormato del dataframe')
print(df_articles.shape)
print('\nBúsqueda de valores nulos 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 nulos 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())
print('\nFormato del dataframe')
print(df_sellers.shape)
print('\nBúsqueda de valores nulos 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 nulos 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())
print('\nFormato del dataframe')
print(df_orders.shape)
print('\nBúsqueda de valores nulos 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 nulos 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
# Creo una copia del df_orders
my_df = df_orders.copy()
# Cambio el índice del df de artículos
df_articles.set_index('article_id',inplace = True)
# Agrego algunas columnas y pongo el campo que me va a servir de "ancla" para acordarme
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'])
# reemplazo los valores en el nuevo df
# 1. busco el nombre del artículo y lo asigno a una variable
# como df_articles está indexado por article_id, lo uso para ubicarme en
# el registro que busco
# 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
for i in range(len(my_df.index)): # len(my_df.index) devuelve la cantidad de registros
idArticulo = my_df.loc[i]['article_id']
nombreArticulo = df_articles.loc[idArticulo]['article_name']
# se lo asigno a la columna correspondiente
my_df.loc[i,'article_name'] = nombreArticulo
# hago lo mismo en un solo paso para la columna de total_amount
precioArticulo = df_articles.loc[idArticulo]['unit_price']
cantArticulo = my_df.loc[i]['quantity']
my_df.loc[i,'total_amount'] = precioArticulo * cantArticulo
# columna de seller_name
idVendedor = my_df.loc[i]['seller_id']
nombreVendedor = df_sellers.loc[idVendedor]['seller_name']
my_df.loc[i,'seller_name'] = nombreVendedor
# elimino las columnas que no necesito
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]
# SI SOBRA TIEMPO Se puede mencionar la función merge para hacer joins entre dataframes
# https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.merge.html
d1=pd.DataFrame({'mes': ['ene','feb','mar','abr'], 'ventas':[10,20,30,15]})
d2=pd.DataFrame({'mes': ['ene','feb','mar','abr'], 'costos':[7,16,25,12]})
print(pd.merge(d1,d2))
mes ventas costos
0 ene 10 7
1 feb 20 16
2 mar 30 25
3 abr 15 12
# RESOLUCIÓN ANALÍTICA
my_df2=my_df.groupby('article_name').sum()
#por_cant = my_df2.sort_values('quantity', ascending=False)
three_best_sellers_articles = my_df2.sort_values('quantity', ascending=False).head(3)
#print(por_cant['quantity'].head(1))
print(three_best_sellers_articles['quantity'].head(1))
article_name
HDD 413
Name: quantity, dtype: int64
# RESOLUCIÓN GRÁFICA
sns.barplot(y=three_best_sellers_articles["quantity"], x=three_best_sellers_articles.index)
plt.xticks(rotation=70)
plt.title('BEST SELLERS ARTICLES')
plt.xlabel('Articles')
plt.ylabel('Quantity')
plt.show()
# RESOLUCIÓN ANALÍTICA
df2 = (my_df.groupby(by='article_name').sum()).sort_values('total_amount',ascending=False).head(3)
print(df2['total_amount'])
article_name
Full Pc 538335.93
Notebook 251000.00
Smartphone 152250.00
Name: total_amount, dtype: float64
# RESOLUCIÓN GRÁFICA ---> OJO: Voy a tomar sólo los 3 primeros artículos que más ingresos proporcionaron
# No puedo hacer una comparativa ni porcentajes porque no tomé el total de los datos
#plt.pie(x=df2['total_amount'], labels=df2.index)
#plt.show()
plt.barh(df2.index,df2['total_amount'] , height=0.8)
plt.title('MOST PROFITABLE ARTICLES')
plt.ylabel('Articles')
plt.xlabel('Total Amount - u$s')
plt.show()
# RESOLUCIÓN ANALÍTICA
df4 = (my_df.groupby(by='seller_name').sum()).sort_values('total_amount',ascending=False)
print(df4[['quantity']+['total_amount']].head(1))
quantity total_amount
seller_name
Janel O'Curran 703 192832.47
# RESOLUCIÓN GRÁFICA
plt.bar(df4.index,df4['total_amount'])
plt.xticks(rotation=70, ha="right")
plt.title('SALES BY SELLER')
plt.xlabel('Seller')
plt.ylabel('Total amount - u$s')
plt.show()
# RESOLUCIÓN ANALÍTICA
df5 = (my_df.groupby(by='week').sum()).sort_values('total_amount',ascending=False)
worst_week = df5['total_amount'].tail(1)
print(df5['total_amount'])
# ***Ver en Conclusiones***
#SEMANA DE MENOS VENTAS
print('\nSemana de menos ventas, ideal para lanzar una promo')
print(worst_week)
week
1 507458.81
2 415364.44
3 329140.03
4 223844.56
Name: total_amount, dtype: float64
Semana de menos ventas, ideal para lanzar una promo
week
4 223844.56
Name: total_amount, dtype: float64
# RESOLUCIÓN GRÁFICA
#ax = sns.barplot(y=ranking_weeks_by_amount['total_amount'], x=ranking_weeks_by_amount.index)
#for i in ax.containers:
# ax.bar_label(i,)
plt.bar(df5.index,df5['total_amount'])
plt.title('SALES BY WEEK')
plt.xlabel('Week')
plt.xticks([1, 2, 3, 4])
plt.ylabel('Total amount - u$s')
plt.show()
# RESOLUCIÓN ANALÍTICA
tot_amount_country = my_df.groupby('country_name').sum()
top3_amount_country = tot_amount_country.sort_values('total_amount', ascending=False).head(3)
#print(top3_amount_country)
print(top3_amount_country[['quantity']+['total_amount']])
quantity total_amount
country_name
Brazil 2515 441271.85
Argentina 947 205832.78
Colombia 881 177514.29
# RESOLUCIÓN GRÁFICA
sns.barplot(y=top3_amount_country["total_amount"], x=top3_amount_country.index)
plt.xticks(rotation=70)
plt.title('COUNTRIES BEST SHOPPERS')
plt.xlabel('Country')
plt.ylabel('Total amount - u$s')
plt.show()
# RESOLUCIÓN ANALÍTICA
df6 = (my_df.groupby(by='seller_name').sum()).sort_values('total_amount',ascending=True ).head(3)
print(df6[['quantity']+['total_amount']])
quantity total_amount
seller_name
Cirilo Grandham 470 45009.40
Cornie Wynrehame 523 52253.57
Tobin Roselli 519 56984.42
# RESOLUCIÓN ANALÍTICA
# Previsualizar el DF final
# -------------------------
# "Pais" "Articulo" "Cantidad"
# Pais1 CPU 10
# Pais2 Chair 22
# 1) Obtener total x producto x pais
df_pais_produ = my_df.groupby(['country_name', 'article_name']).sum()
first_df_pais_produ = df_pais_produ.sort_values('quantity', ascending=False)
#print(df_pais_produ)
#print(first_df_pais_produ)
# 2) Obtener la lista de los diez paises más recaudadores
tot_amount_country = my_df.groupby('country_name').sum()
top_amount_country = tot_amount_country.sort_values('total_amount', ascending=False).head(10)
#paises = my_df.groupby('country_name').sum().index.values
paises = top_amount_country.groupby('country_name').sum().index.values
#print(paises)
# 3) Creo el DF final
df_final = pd.DataFrame(columns=['Articulo', 'Cantidad'], index=paises)
#print(df_final)
# 4) Procesar el DF first_df_pais_produ y obtener la cantidad del producto más
# vendido en el país y guardarlas en df_final
for p in paises:
df = first_df_pais_produ.loc[p]
v = df.max()['quantity']
s = df[(df['quantity'] == v)].index[0]
df_final.loc[p] = {'Articulo': s, 'Cantidad': v}
df_final['Cantidad'] = df_final['Cantidad'].astype(int)
print(df_final)
Articulo Cantidad
Argentina CPU 104
Brazil Tablet 156
Colombia SDD 74
Costa Rica Power Supply 32
El Salvador Smartphone 22
Guatemala Heatsink 25
Honduras Mesh Wi-Fi X 2 28
Mexico HDD 63
Peru Mouse 125
Venezuela Smartphone 32
# RESOLUCIÓN GRÁFICA
g = sns.barplot(data = df_final, x = df_final.index, y = 'Cantidad', hue = 'Articulo')
g.set_xticklabels(labels=df_final.index, rotation=90)
plt.show()