TP Final Integrador Castillo Daniel 22039

Daniel Alejandro Castillo. Codo a Codo 4.0 Big Data - Marzo-Julio 2022 Comisión #22039

# A veces necesitamos instalar nuevas librerías en nuestros proyectos !pip install openpyxl==3.0.10

Requirement already satisfied: openpyxl==3.0.10 in /root/venv/lib/python3.9/site-packages (3.0.10)
Requirement already satisfied: et-xmlfile in /root/venv/lib/python3.9/site-packages (from openpyxl==3.0.10) (1.1.0)
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) my_df

weekint64

1 - 4

quantityint64

1 - 15

299

610

275

203

960

988

759

583

413

160

# RESOLUCIÓN ANALÍTICA my_df2=my_df.groupby('article_name').sum() por_cant = my_df2.sort_values('quantity', ascending=False) print(por_cant['quantity'].head(1))

article_name
HDD    413
Name: quantity, dtype: int64

# RESOLUCIÓN GRÁFICA sns.barplot(y=por_cant["quantity"], x=por_cant.index, palette = "ch:.75") plt.xticks(rotation=90) plt.title('Artículo más vendido', size=20) plt.ylabel('Cantidad', size=15) plt.xlabel('Artículo', size=15) plt.xticks(size=10) plt.yticks(size=15) plt.show()

1) El artículo más vendido es el disco rígido HDD con 413 ventas.

# RESOLUCIÓN ANALÍTICA df2 = (my_df.groupby(by='article_name').sum()).sort_values('total_amount',ascending=False).head(5) pd.set_option("display.precision", 0) print(df2['total_amount'])

article_name
Full Pc       538336
Notebook      251000
Smartphone    152250
Chair          69477
Tablet         48620
Name: total_amount, dtype: float64

# RESOLUCIÓN GRÁFICA plt.barh(df2.index,df2['total_amount'] , height=0.8, color=['blue', 'orange', 'teal', 'hotpink', 'aqua']) plt.title('Artículo que más ingresos proporcionó', size=20) plt.ylabel('Artículo', size=15) plt.xlabel('Ventas totales en u$s', size=15) plt.xticks(size=15) plt.yticks(size=15) plt.show()

2) El artículo que más ingresos proporciono es la Full Pc con 538335.93 U$S.

# RESOLUCIÓN ANALÍTICA df4 = (my_df.groupby(by='seller_name').sum()).sort_values('total_amount',ascending=False) pd.set_option("display.precision", 0) print(df4[['quantity']+['total_amount']])

                   quantity  total_amount
seller_name                              
Janel O'Curran          703        192832
Brockie Patience        441        142710
Oliviero Charkham       555        141330
Vasily Danilyuk         521        129158
Daisie Slograve         554        120520
Aveline Swanwick        629        118874
Arnold Kilkenny         583         94552
Kati Innot              512         83705
Jase Doy                582         80628
Ewell Peres             496         78144
Onida Cosely            535         77373
Milly Christoffe        442         61734
Tobin Roselli           519         56984
Cornie Wynrehame        523         52254
Cirilo Grandham         470         45009

# RESOLUCIÓN GRÁFICA sns.barplot(y=df4['total_amount'], x=df4.index, palette = "ch:.75") # plt.bar(df4.index,df4['total_amount']) plt.xticks(rotation=90, ha="right") plt.title('Mejor vendedor del mes', size=20) plt.ylabel('Ventas totales en u$s', size=15) plt.xlabel('Vendedor', size=15) plt.xticks(size=15) plt.yticks(size=15) plt.show()

3) Se debe otorgar el bono al mejor vendedor del mes a Janel O'Curran.

# RESOLUCIÓN ANALÍTICA df5 = (my_df.groupby(by='week').sum()).sort_values('total_amount',ascending=False) print(df5['total_amount'])

week
1    507459
2    415364
3    329140
4    223845
Name: total_amount, dtype: float64

# RESOLUCIÓN GRÁFICA plt.bar(df5.index,df5['total_amount'], color=['turquoise', 'plum', 'teal', 'hotpink']) plt.title('Variaciones en los ingresos a lo largo del mes', size=20) plt.ylabel('Ventas totales en u$s', size=15) plt.xlabel('Semana', size=15) plt.xticks(size=15) plt.yticks(size=15) plt.show()

4) Vemos que entre la semana 1 y la 4 hay un descenso de las ventas.

# RESOLUCIÓN ANALÍTICA df6 = (my_df.groupby(by='country_name').sum()).sort_values('total_amount',ascending=False) print(df6[['quantity']+['total_amount']]) plt.bar(df6.index,df6['total_amount'], color='orange') plt.xticks(rotation=90, ha="right") plt.title('País que más ingresos proporcionó', size=15) plt.ylabel('Ventas totales en u$s', size=15) plt.xlabel('Países', size=15) plt.xticks(size=15) plt.yticks(size=15) plt.show()

              quantity  total_amount
country_name                        
Brazil            2515        441272
Argentina          947        205833
Colombia           881        177514
Peru              1027        161421
Mexico             846        138620
Venezuela          320         77685
El Salvador        111         57391
Guatemala          202         52579
Honduras           303         36764
Costa Rica         145         34606
Chile              231         24661
Bolivia            181         22683
Uruguay             92         17843
Ecuador            129         17475
Paraguay           123          8195
Puerto Rico         12          1265

5) El país que más ingresos proporcionó es Brazil.

# RESOLUCIÓN ANALÍTICA df8 = (my_df.groupby(['article_name']+['country_name'])).sum().sort_values('total_amount',ascending=False) # df8 = (my_df.groupby(['article_name'])).sum().sort_values('total_amount',ascending=False) df10=df8.loc[['Full Pc']+['Notebook']] df11 = pd.pivot_table(df10, values=["total_amount"], index=["country_name"], columns=["article_name"]) df12 = df11.loc[['Brazil']+['Argentina']+['Colombia']+['Peru']+['Mexico']] print(df12['total_amount']) df12.plot.barh(stacked=True, legend=True) plt.xticks(rotation=90, ha="right") plt.title('Artículos más vendidos en los principales países', size=20) plt.xlabel('Ventas totales en u$s', size=15) plt.ylabel('Países', size=15) plt.legend(['Full Pc']+['Notebook']) plt.xticks(size=15) plt.yticks(size=15) plt.show()

article_name  Full Pc  Notebook
country_name                   
Brazil         134052     83000
Argentina       95751     43000
Colombia        72346     18000
Peru            51067     32000
Mexico          27662     44000

6) En Brazil, Argentina, Colombia y Peru la Full Pc fue la que más ingreso proporcionó mientras en Mexico fue la Notebook.

# Primero veo que cantidad de artículos vendió cada uno. df17 = (my_df.groupby(['seller_name'])).sum().sort_values('quantity',ascending=False) # df17 df19 = pd.pivot_table(df17, values="quantity", index=["seller_name"]) # df19 df20 = df19.loc[['Cirilo Grandham']+['Cornie Wynrehame']+['Tobin Roselli']+['Oliviero Charkham']+['Brockie Patience']+["Janel O'Curran"]] df20 # df21 df20.plot.barh(stacked=True, legend=False, color=['turquoise']) plt.xticks(rotation=90, ha="right") plt.title('Cantidad de articulos vendidos por los mejores y los peores vendedores', size=20) plt.xlabel('Cantidad', size=15) plt.ylabel('Vendedores', size=15) plt.xticks(size=15) plt.yticks(size=15) plt.show() #Veo que no hay grandes diferencias entre las cantidad vendidas por cada unos de los vendedores. # Ahora veo los ingresos que generaron por la venta de Full Pc y Notebooks cada vendedor df13 = (my_df.groupby(['article_name']+['seller_name'])).sum().sort_values('total_amount',ascending=False) # # df13 df14=df13.loc[['Full Pc']+['Notebook']] # df14 df15 = pd.pivot_table(df14, values="total_amount", index=["seller_name"], columns=["article_name"]) # df15 df16 = df15.loc[['Cirilo Grandham']+['Cornie Wynrehame']+['Tobin Roselli']+['Oliviero Charkham']+['Brockie Patience']+["Janel O'Curran"]] # df16 df16.plot.barh(stacked=True, legend=True) plt.xticks(rotation=90, ha="right") plt.title('Ingresos de los principales articulos entre los mejores y los peores vendedores', size=20) plt.xlabel('Ventas totales en u$s', size=15) plt.ylabel('Vendedores', size=15) plt.xticks(size=15) plt.yticks(size=15) plt.show()

7) Si bien la cantidad de ventas no fue demasiado diferente entre vendedores, se puede ver que los montos totales por la venta de los principales artículos fue mayor en los mejores vendedores.

Conclusiones:

Si bien el articulo más vendido es el disco HDD este no es el que más ingresos totales proporcionó. En cambio, la Full Pc y la Notebook se vendieron en cantidades promedio pero son las que mayores ingresos generaron.

Respecto del punto 4: ¿Hay grandes variaciones en ventas a lo largo del mes? La respuesta es si. Se nota un descenso lineal de la semana 1 hacia la 4. Las ventas de la semana 4 representan un 44.11% de la semana 1.

El mejor vendedor del mes fue Janel O'Curran con 703 artículos vendidos y 192832 U$S de ingresos totales. Salvando el caso de Janel O'Curran, que fue el vendedor que con mayor cantidad de artículos vendidos y con mayores ingresos proporcionados, se puede apreciar en el punto 7 que la diferencia entre el resto de los vendedores no fue tanto por cantidades de ventas sino por el tipo de producto vendido. Mientras los vendedores del puesto n°2 y 3 vendieron grandes cantidades de Full Pc y Notebook los últimos 2 vendedores del ranking prácticamente no vendieron estos artículos.

Por último, en el punto 6 se pueden apreciar los 2 productos que más ingresos proporcionaron (Full Pc y Notebook) en los principales países. Como conclusión de este punto se destaca la importancia de Brasil como comprador de estos artículos, así como la de Argentina y en menor medida a Colombia, Perú y México.

Propuestas:

Sería interesante analizar varios meses del año e incluso años distintos para estudiar si existe una estacionalidad intra o inter anual para las distintas variables analizadas.

Observando que Full Pc y Notebook son los artículos que más ingresos proporcionan se debería realizar distintas acciones respecto a los mismo. Por ejemplo: 1) incentivar a los vendedores para que aumenten sus ventas de estos artículos, quizás mediante premios o bonificaciones. 2) Envío gratis para estos artículos. 3) Promociones para los países que menos compran estos artículos para evitar la dependencia con los países que más los compran.

Finalizando, en cuanto a la estacionalidad semanal que se observó en el punto 4, se debería analizar que producto es el más vendido en cada periodo del mes para promocionar los menos vendidos en cada semana. Otra opción sería lanzar una campaña de promociones en la última semana del mes, sobretodo en Full Pc y Notebook si se quiere asegurar un flujo de ingresos más estable a lo largo del mes.