# Importo librerías aquí import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns #Venn from matplotlib_venn import venn2, venn2_circles, venn2_unweighted from matplotlib_venn import venn3, venn3_circles from matplotlib import pyplot as plt %matplotlib inline

# Importo datos aquí df = pd.read_csv('largest_us_retailers.csv') df

# Verifico tipos de datos para ver si hay que realizar algún cambio de tipo de dato df.dtypes

# Analizo los datos faltantes que puedan afectar las métricas df.info()

# Vista general de las principales medidas estadísticas df.describe()

# Organizo las ventas de manera descendente df_sorted_sales = df.sort_values('Sales', ascending=False) df_sorted_sales # Tomo todas las filas a partir del 1 de la columna 1 (Sales) con indexlocation no_dominant = df_sorted_sales.iloc[1:,:] no_dominant

# Visualizo la distribución de los datos con la mediana y el promedio marcados plt.subplots(figsize=(11,8)) box = sns.boxplot(x= "Sales", data=no_dominant) plt.text(48000,0, "Promedio", color="white") plt.text(25000,-.1, "Mediana", color="black") plt.axvline(no_dominant["Sales"].mean(), color='w', linestyle=':', linewidth=2) plt.title("Distribución de Sales") plt.show()

no_dominant_prom = no_dominant["Sales"].mean() no_dominant_med = no_dominant["Sales"].median() diferencia = no_dominant_prom - no_dominant_med print(f'El promedio de Sales es de ${round(no_dominant_prom,2):,} y la mediana es de ${round(no_dominant_med,2):,} teniendo una diferencia de ${round(diferencia, 2)}:,')

# Distribucion de las ventas coloreadas por categorías plt.subplots(figsize=(11,8)) sns.histplot( data=no_dominant, x='Sales', hue="Category") plt.title("Distribución de las ventas por categorías") plt.show()

# Organnizo el dataset por numero de Stores y elimino los elementos vacíos df_sorted_stores = df.sort_values("Stores", ascending=True).dropna() df_sorted_stores

# Calculo la mediana de la cantidad de tiendas que tiene cada empresa median_stores = df_sorted_stores["Stores"].median() std_stores = df_sorted_stores["Stores"].std() q1 = df_sorted_stores["Stores"].quantile(.25) q2 = df_sorted_stores["Stores"].quantile(.75) iqr = q2 - q1 print(median_stores, std_stores, iqr)

# Creo una barra horizontal para leer mejor el nombre de las tiendas plt.subplots(figsize=(11,8)) plt.barh(df_sorted_stores["Company"], df_sorted_stores["Stores"]) plt.title("Número total de tiendas por empresa") plt.xlabel("Número de Stores") plt.text((median_stores+30),0, f"<--Mediana {median_stores}", color="black") plt.axvline(median_stores, color='black', linestyle=':', linewidth=3) plt.show()

# Creo histograma para ver la distribución del número de tiendas plt.subplots(figsize=(11,8)) sns.histplot( data=df_sorted_stores, x='Stores', bins=5) plt.title("Distribución del número de tiendas") plt.show()

# Creo matriz para comparar todas las variables numéricas y ver si existe alguna relación matrix = df_sorted_stores.corr() matrix

plt.subplots(figsize=(11,8)) sns.scatterplot(data=df_sorted_stores, x="Stores", y="Sales", size="Category", hue="Category") plt.title("Relación entre Store/Sales") plt.show()

# Mediana de las ventas median_sales = df["Sales"].median() std_sales = df["Sales"].std() q1_sales = df["Sales"].quantile(.25) q2_sales = df["Sales"].quantile(.75) iqr = q2_sales - q1_sales print(median_sales, std_stores, q1_sales, q2_sales,iqr)

plt.subplots(figsize=(11,8)) sns.boxplot(data= no_dominant, x="Sales") plt.title("Rango de ventas") plt.show()

# Organizo por tiendas de mayor a menor y tomo las primeras 5 tiendas top_5_stores = df_sorted_stores.sort_values("Stores", ascending=False)[:5] top_5_stores

# Organizo las ventas de mayor a menor y tomo las primeras 5 top_5_sales = df.sort_values("Sales", ascending=False)[:5] top_5_sales

# Convierto a sets y los comparo para ver las empresas que estan en los dos conjuntos compare = set(top_5_stores["Company"]) & set(top_5_sales["Company"]) compare

# Grafico la interseócion entre los 2 grupos plt.subplots(figsize=(11,8)) venn2(subsets = (5, 5, 2), set_labels = ('Top 5 Stores', 'Top 5 Sales'), set_colors=('b', 'g'), alpha = 0.5) plt.text(-0.1,-0.1, f"-Walgreen Boots \n -Walmart US", color="black") plt.show()

# Cuento la cantidad de registros que hay por cada categoría df["Category"].value_counts(sort=True)

# Muestro la proporción de cada categoría df["Category"].value_counts(sort=True, normalize=True)

# Muestro la venta total agrupada por categoria y compañia category_grouped= df_sorted_stores.groupby(["Category","Company"])["Sales"].sum() category_grouped

# Cambio los indeces agrupando por cateogria y ventas para ordenarlos por ventas ind = df.set_index(["Category", "Sales"]) ind.sort_index(level="Sales", ascending=False)

# Creo una barra horizontal para leer mejor el nombre de las categorias plt.subplots(figsize=(11,8)) plt.barh(df_sorted_sales["Category"][:3], df_sorted_sales["Sales"][:3]) plt.title("Número total de ventas por cateogría") plt.xlabel("Ventas") plt.show()

#Analizo el DF en base a ventas df_sorted_sales

# Muestro un grafico de barras apiladas para comparar número de tiendas con ventas labels = df_sorted_sales["Company"] stores = df_sorted_sales["Stores"].fillna(1) #Hay valores nulos asi que los rellené con 1 para que se mostraran las ventas sales = df_sorted_sales["Sales"] width = 0.35 fig, ax = plt.subplots(figsize=(11,8)) ax.bar(labels, stores, width, label='Stores') ax.bar(labels, sales, width, bottom=stores, label='Sales') ax.set_ylabel('Sales/Stores') ax.set_title('Relación ventas/tiendas (con Walmart US dominante)') plt.xticks(rotation=90) ax.legend() plt.show()

# Grafico las mismas barras pero sin el outlier de Walmart labels = df_sorted_sales["Company"][1:] stores = df_sorted_sales["Stores"][1:].fillna(1) sales = df_sorted_sales["Sales"][1:] width = 0.35 fig, ax = plt.subplots(figsize=(11,8)) ax.bar(labels, stores, width, label='Stores') ax.bar(labels, sales, width, bottom=stores, label='Sales') ax.set_ylabel('Sales/Stores') ax.set_title('Relación ventas/tiendas (sin Walmart US como outlier)') plt.xticks(rotation=90) ax.legend() plt.show()

# Muestro registros sin Stores df_no_stores = df[np.isnan(df_sorted_sales["Stores"])] df_no_stores

# Sumo todos los valores de Sales sum_total = df["Sales"].sum() print(f'Las ventas generadas por todas las tiendas es de ${sum_total:,}')

# Organizo las los valores de Growth df_growth_5 = df.sort_values("Store Count Growth", ascending=False)[:5] df_growth_5

plt.subplots(figsize=(11,8)) plt.bar(df_growth_5["Company"], df_growth_5["Store Count Growth"]) plt.title("Empresas con mayor porcentaje de crecimiento en tiendas") plt.ylabel("%") plt.show()

# Organizo los valores de Sales/Avg df_avg_5 = df.sort_values("Sales/Avg. Store", ascending=False)[:5] df_avg_5

plt.subplots(figsize=(11,8)) plt.bar(df_avg_5["Company"], df_avg_5["Sales/Avg. Store"]) plt.title("Empresas con mayor promedio en ventas") plt.ylabel("Sales/Avg") plt.show()

plt.subplots(figsize=(11,8)) plt.bar(df_growth_5["Category"], df_growth_5["Store Count Growth"]) plt.title("Categoria de las tiendas con mayor porcentaje de crecimiento en tiendas") plt.ylabel("%") plt.show()

# Comparo la interección entre los dos grupos compare_G_S = set(df_growth_5["Company"]) & set(df_avg_5["Company"]) compare_G_S

# Grafico la interseócion entrelos 2 grupos plt.subplots(figsize=(11,8)) venn2(subsets = (5, 5, 1), set_labels = ('Top 5 Growth', 'Top 5 Sales/Avg'), set_colors=('b', 'g'), alpha = 0.5) plt.text(-0.04,-0.1, f"Meijer", color="black") plt.show()