Análisis de las 25 Retailers más grandes de Estados Unidos

import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns

df = pd.read_csv('/work/largest_us_retailers.csv') df.head()

Companyobject

Salesint64

Walmart US

658119

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

retailers = df.sort_values('Sales', ascending=0) retailers

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

retailers.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

x = retailers['Company'] y = retailers['Sales'] plt.figure(figsize=(9,5)) plt.bar(x,y, color='green') plt.xticks(rotation=90) plt.title('Retailers con Mayores Ventas') plt.xlabel('Companies') plt.ylabel('USD MM') plt.show()

other_ret = retailers[retailers.Company != 'Walmart US'] mean_sales = other_ret['Sales'].mean() mean_sales = mean_sales.round(2) print(mean_sales)

46602.42

# Si lo vemos gráficamente fig, ax = plt.subplots(figsize=(9,5)) x = other_ret['Company'] y = other_ret['Sales'] plt.bar(x,y, color='green') ax.axhline(mean_sales, label='Promedio de Ventas', ls='--', color='red') plt.title('Ventas de los demás Retailers') plt.xticks(rotation=90) plt.xlabel('Companies') plt.ylabel('USD MM') plt.legend() plt.show()

plt.hist(other_ret['Sales'], bins=4) plt.title('Dinero en Ventas') plt.xlabel('Ventas en USD MM') plt.show()

x = other_ret['Company'] y = other_ret['Stores'] fig, ax = plt.subplots(figsize=(9,5)) stores_co = retailers.groupby('Company')['Stores'].sum() plt.title('Tiendas') plt.xlabel('Cantidad de Tiendas') plt.ylabel('Cantidad de Compañías') plt.hist(stores_co, color='green', edgecolor='black') plt.show() max_stores = retailers['Stores'].max() print('La máxima cantidad de tiendas es:', max_stores)

La máxima cantidad de tiendas es: 14250.0

sns.scatterplot(x=retailers.Stores, y=retailers.Sales, color='green') plt.title('Cant. de Tiendas vs Ventas ') plt.xlabel('Tiendas') plt.ylabel('Ventas') plt.show()

max_sales = retailers['Sales'].max() min_sales = retailers['Sales'].min() print(max_sales) print(min_sales) print(max_sales - min_sales)

658119
16592
641527

stores_top5 = retailers.sort_values('Stores', ascending=0) x = stores_top5['Company'][:5] y = stores_top5['Stores'][:5] fig, ax = plt.subplots(figsize=(9,6)) plt.bar(x,y, color='green', edgecolor='black') plt.xticks() plt.xlabel('Compañía') plt.ylabel('Cantidad de tiendas') plt.show() x = stores_top5['Company'][:5] y = stores_top5['Sales'][:5] fig, ax = plt.subplots(figsize=(9,6)) plt.barh(x,y, color='green') plt.title('Top 5 Retailers') plt.xticks() plt.xlabel('ventas') plt.ylabel('Compañía') plt.show()

sales_category = retailers.groupby('Category')['Sales'].sum() category_top10 = sales_category.sort_values(ascending=False).head(10) category_top10

# Si lo graficamos sería x = category_top10.index y = category_top10 plt.barh(x,y, color='green', edgecolor='black') plt.xticks(rotation=35) plt.title('Ventas por Categoría') plt.xlabel('USD MM') plt.show()

# Creamos una nueva columna para calcular la relación retailers['Sales/Store Ratio'] = retailers.Sales / retailers.Stores sales_ratio = retailers.sort_values('Sales/Store Ratio', ascending=0).head(10) sales_ratio = sales_ratio.round(2) sales_ratio

Companyobject

Costco10%

Walmart US10%

8 others80%

Salesint64

16592 - 658119

Costco

90048

Walmart US

658119

Sam's Club

56828

Meijer

16592

HEB

21384

Home Depot

83976

Target

71208

Ahold

26903

Lowe's

60311

Macy's

26028

# Graficamos x = sales_ratio['Company'] y = sales_ratio['Sales/Store Ratio'] plt.barh(x,y, color='green', edgecolor='black') plt.xticks() plt.title('Relación entre Tiendas y Ventas') plt.xlabel('USD MM') plt.ylabel('Tiendas') plt.show()

# Hacemos un filtro de las tiendas online web_stores = retailers[retailers.Stores.isnull()] web_stores

Companyobject

Salesint64

Amazon

71687

Apple incl. Online

37664

# Calculamos el promedio de ventas de las web stores web_stores['Sales'].mean()

# Analizamos las tiendas físicas physic_stores = retailers[retailers.Stores.notnull()] physic_stores

Companyobject

Walmart US4.3%

Kroger4.3%

21 others91.3%

Salesint64

16592 - 658119

Walmart US

658119

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

CVS incl. Target

77792

Target

71208

Lowe's

60311

Albertsons

56829

Sam's Club

56828

# Calculamos el promedio de ventas de las tiendas físicas physic_stores['Sales'].mean()

other_physic_stores = other_ret[other_ret.Stores.notnull()] other_physic_stores

Companyobject

Kroger4.5%

Costco4.5%

20 others90.9%

Salesint64

16592 - 115037

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

CVS incl. Target

77792

Target

71208

Lowe's

60311

Albertsons

56829

Sam's Club

56828

Best Buy

34980

other_physic_stores['Sales'].mean()