25 retailers mas grandes de EUA

# 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

Companyobject

Walmart US4%

Kroger4%

23 others92%

Salesint64

16592 - 658119

Dollar Tree

21464

HEB

21384

Kohl's

19060

Delhaize

18201

Meijer

16592

# 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()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 25 entries, 0 to 24
Data columns (total 6 columns):
 #   Column              Non-Null Count  Dtype  
---  ------              --------------  -----  
 0   Company             25 non-null     object 
 1   Sales               25 non-null     int64  
 2   Stores              23 non-null     float64
 3   Sales/Avg. Store    23 non-null     float64
 4   Store Count Growth  23 non-null     float64
 5   Category            24 non-null     object 
dtypes: float64(3), int64(1), object(2)
memory usage: 1.3+ KB

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

Salesfloat64

Storesfloat64

count

mean

71063.08

3466.565217

std

125405.7276

4038.708714

min

16592

231

25%

24402

1029

50%

34980

1828

75%

71687

4242

max

658119

14250

Una vez que se tiene una idea global de los datos y que no hay que hacer alguna transformación avanzamos con las preguntas de negocios.

I. Preguntas del negocio

# 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

Companyobject

Kroger4.2%

Costco4.2%

22 others91.7%

Salesint64

16592 - 115037

Apple incl. Online

37664

Best Buy

34980

Publix

34408

Rite Aid

27486

Ahold

26903

Macy's

26028

TJX

25012

Aldi

24402

Dollar General

22234

Dollar Tree

21464

# 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)}:,')

El promedio de Sales es de $46,602.42 y la mediana es de $34,694.0 teniendo una diferencia de $11908.42:,

# 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

Companyobject

Meijer4.3%

HEB4.3%

21 others91.3%

Salesint64

16592 - 658119

Meijer

16592

HEB

21384

Costco

90048

Sam's Club

56828

Ahold

26903

Macy's

26028

Kohl's

19060

Delhaize

18201

Publix

34408

Best Buy

34980

# 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)

1828.0 4038.7087138216357 3213.0

# 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

Salesfloat64

Storesfloat64

Sales

0.06330142261

Stores

0.06330142261

Sales/Avg. Store

0.2208472835

-0.446165853

Store Count Growth

-0.07831518859

0.4651350236

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)

34980.0 4038.7087138216357 24402.0 71687.0 47285.0

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

Companyobject

Salesint64

Dollar Tree

21464

Dollar General

22234

CVS incl. Target

77792

Walgreen Boots

78924

Walmart US

658119

# 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

Companyobject

Salesint64

Walmart US

658119

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

# 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)

Companyobject

Walmart US4%

Kroger4%

23 others92%

Storesfloat64

231.0 - 14250.0

('Supercenters', 658119)

Walmart US

4574

('Grocery', 115037)

Kroger

3931

('Warehouse Club', 90048)

Costco

495

('Home Improvement', 83976)

Home Depot

1965

('Drug Stores', 78924)

Walgreen Boots

8002

('Drug Stores', 77792)

CVS incl. Target

9813

('Electronic/Mail Order', 71687)

Amazon

nan

('Supercenters', 71208)

Target

1772

('Home Improvement', 60311)

Lowe's

1828

('Grocery', 56829)

Albertsons

2326

# 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

Companyobject

Walmart US4%

Kroger4%

23 others92%

Salesint64

16592 - 658119

Walmart US

658119

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

CVS incl. Target

77792

Amazon

71687

Target

71208

Lowe's

60311

Albertsons

56829

# 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

Companyobject

Salesint64

Amazon

71687

Apple incl. Online

37664

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

Las ventas generadas por todas las tiendas es de $1,776,577

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

Companyobject

Salesint64

CVS incl. Target

77792

Dollar General

22234

Aldi

24402

Meijer

16592

Macy's

26028

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

Companyobject

Salesint64

Costco

90048

Sam's Club

56828

Meijer

16592

HEB

21384

Walmart US

658119

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()