Análisis de los 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('largest_us_retailers.csv') df.head()

df_sorted = df.sort_values('Sales', ascending=0) df_sorted_no_main = df_sorted[1:] main_company = df_sorted['Company'][0] main_sales = df_sorted['Sales'][0] average_no_main = df_sorted_no_main['Sales'].mean() print("Compañía dominante: " + main_company) print("Ventas compañía dominante: " + str(main_sales)) print("Promedio de ventas sin compañía dominante: " + str(average_no_main)) print("Factor compañía dominante sobre promedio: " + str(main_sales / average_no_main)) primary_color = '#f95d6a' secondary_color = '#003f5c' accent_color = '#ffa600' sns.set_theme() f1, ax = plt.subplots(figsize=(12, 7)) sales_plot = sns.barplot(y='Company', x='Sales', data=df_sorted_no_main, color=primary_color) plt.xlabel('Ventas (millones de dólares)') plt.ylabel('Compañía') plt.title('Ventas (se excluye a compañía dominante)') sales_plot.axvline(average_no_main, color=secondary_color, linewidth=2) f2, ax = plt.subplots(figsize=(12, 7)) sales_plot_with_main = sns.barplot(y='Company', x='Sales', data=df_sorted, color=primary_color) plt.xlabel('Ventas (millones de dólares)') plt.ylabel('Compañía') plt.title('Ventas (incluye compañía dominante)') sales_plot_with_main.axvline(average_no_main, color=secondary_color, linewidth=2)

plt.figure(figsize=(14,7)) sns.histplot(x='Sales', data=df, bins=12, color=primary_color) plt.xlabel('Ventas (millones de dólares)') plt.ylabel('Frecuencia') plt.title('Histograma de ventas de compañías')

most_companies_by_sales = df[df['Sales'] < 125000] range_min = most_companies_by_sales['Sales'].min() range_max = most_companies_by_sales['Sales'].max() percentage_in_range = len(most_companies_by_sales) / len(df) print(f"Rango: {str(range_min)} - {str(range_max)}") print(f"Porcentaje compañías: {percentage_in_range}")

plt.figure(figsize=(14,7)) sns.histplot(x='Sales', data=df, bins=36, color=primary_color) plt.xlabel('Ventas (millones de dólares)') plt.ylabel('Frecuencia') plt.title('Histograma de ventas de compañías')

most_companies_by_sales = df[df['Sales'] < 50000] range_min = most_companies_by_sales['Sales'].min() range_max = most_companies_by_sales['Sales'].max() percentage_in_range = len(most_companies_by_sales) / len(df) print(f"Rango: {str(range_min)} - {str(range_max)}") print(f"Porcentaje compañías: {percentage_in_range}")

df_valid_stores = df.dropna(subset=['Stores']) percentage_unknown_stores = (len(df) - len(df_valid_stores)) / len(df) print(f"Porcentaje compañías sin tiendas físicas: {percentage_unknown_stores}")

plt.figure(figsize=(14,7)) sns.histplot(x='Stores', data=df_valid_stores, bins=12, color=primary_color) plt.xlabel('Tiendas físicas') plt.ylabel('Frecuencia') plt.title('Histograma de tiendas físicas de compañías')

most_companies_by_stores = df_valid_stores[df_valid_stores['Stores'] < 5000] range_min = most_companies_by_stores['Stores'].min() range_max = most_companies_by_stores['Stores'].max() percentage_in_range = len(most_companies_by_stores) / len(df) print(f"Rango: {str(range_min)} - {str(range_max)}") print(f"Porcentaje compañías: {percentage_in_range}")

plt.figure(figsize=(14,7)) sns.histplot(x='Stores', data=df_valid_stores, bins=36, color=primary_color) plt.xlabel('Tiendas físicas') plt.ylabel('Frecuencia') plt.title('Histograma de tiendas físicas de compañías')

most_companies_by_stores = df_valid_stores[df_valid_stores['Stores'] < 2500] range_min = most_companies_by_stores['Stores'].min() range_max = most_companies_by_stores['Stores'].max() percentage_in_range = len(most_companies_by_stores) / len(df) print(f"Rango: {str(range_min)} - {str(range_max)}") print(f"Porcentaje compañías: {percentage_in_range}")

df_clean = df.dropna(subset=['Sales', 'Stores']) f, ax = plt.subplots(figsize=(7, 7)) sns.scatterplot(x='Stores', y='Sales', data=df_clean, color=secondary_color) plt.xlabel('Tiendas físicas') plt.ylabel('Ventas (millones de dólares)') plt.title('Ventas vs Tiendas físicas') correlation = df_clean.corr()['Stores']['Sales'] print(f"Correlación: {correlation}")

import itertools def highest_corr(df, max_num_of_hidden_outliers): max_corr = 0 df_max_corr = df min_corr = 0 df_min_corr = df for num_of_hidden_outliers in range(max_num_of_hidden_outliers + 1): num_of_rows = len(df) - num_of_hidden_outliers initial_indices = range(len(df)) index_combinations = itertools.combinations(initial_indices, num_of_rows) for index_combination in index_combinations: df_hidden_outliers = df.iloc[list(index_combination), :] corr = df_hidden_outliers.corr()['Stores']['Sales'] if corr > max_corr: max_corr = corr df_max_corr = df_hidden_outliers if corr < min_corr: min_corr = corr df_min_corr = df_hidden_outliers return df_max_corr, max_corr, df_min_corr, min_corr df_max_corr, max_corr, df_min_corr, min_corr = highest_corr(df_clean, 3) hidden_data_max = len(df_clean) - len(df_max_corr) hidden_data_min = len(df_clean) - len(df_min_corr) print(f"Eliminando {hidden_data_max} se obtiene correlación máxima {max_corr}") print(f"Eliminando {hidden_data_min} se obtiene correlación mínima {min_corr}")

f, ax = plt.subplots(figsize=(7, 7)) sns.scatterplot(x='Stores', y='Sales', data=df_max_corr, color=secondary_color) plt.xlabel('Tiendas físicas') plt.ylabel('Ventas (millones de dólares)') plt.title('Ventas vs Tiendas físicas') correlation = df_max_corr.corr()['Stores']['Sales'] print(f"Correlación: {correlation}")

hidden_data = pd.concat([df_clean, df_max_corr, df_max_corr]).drop_duplicates(keep=False) hidden_data

min_sales = df['Sales'].min() max_sales = df['Sales'].max() print(f"Rango: {min_sales} - {max_sales}")

df_sorted_by_stores = df.sort_values('Stores', ascending=0) f1, ax = plt.subplots(figsize=(12, 7)) colors = [accent_color for _ in range(5)] + [primary_color for _ in range(len(df)-5)] sns.barplot(y='Company', x='Stores', data=df_sorted_by_stores, palette=colors) plt.xlabel('Tiendas físicas') plt.ylabel('Compañía') plt.title('Compañías con más tiendas físicas') df_sorted_by_sales = df.sort_values('Sales', ascending=0) top5_companies_by_stores = df_sorted_by_stores[:5] print("Compañías con más tiendas físicas: ") for company in top5_companies_by_stores['Company']: print("* " + company) df_sorted_by_sales = df.sort_values('Sales', ascending=0) top5_companies_by_sales = df_sorted_by_sales[:5] companies_in_both_top5 = pd.merge(top5_companies_by_sales, top5_companies_by_stores, how='inner') print("Compañías en top5 de ventas y top5 de tiendas: ") for company in companies_in_both_top5['Company']: print("* " + company)

df_total_sales_by_category = df.groupby(['Category']).sum().sort_values('Sales', ascending=0) f1, ax = plt.subplots(figsize=(12, 7)) colors = [accent_color] + [primary_color for _ in range(len(df_total_sales_by_category)-1)] sns.barplot(y=df_total_sales_by_category.index, x='Sales', data=df_total_sales_by_category, palette=colors) plt.xlabel('Ventas Totales (millones de dólares)') plt.ylabel('Categoría de compañía') plt.title('Ventas totales por categoría')

df_average_sales_by_category = df.groupby(['Category']).mean().sort_values('Sales', ascending=0) f1, ax = plt.subplots(figsize=(12, 7)) colors = [accent_color] + [primary_color for _ in range(len(df_average_sales_by_category)-1)] sns.barplot(y=df_average_sales_by_category.index, x='Sales', data=df_average_sales_by_category, palette=colors) plt.xlabel('Ventas Promedio (millones de dólares)') plt.ylabel('Categoría de compañía') plt.title('Ventas promedio por categoría')

print("-- Ventas totales --") print(df_total_sales_by_category[df_total_sales_by_category.index == 'Supercenters']['Sales']) print("-- Ventas promedio --") print(df_average_sales_by_category[df_average_sales_by_category.index == 'Supercenters']['Sales'])

df_sorted_by_sales_stores = df.dropna(subset=(['Sales/Avg. Store'])).sort_values('Sales/Avg. Store', ascending=0) f1, ax = plt.subplots(figsize=(12, 7)) colors = [accent_color] + [primary_color for _ in range(len(df_sorted_by_sales)-1)] sns.barplot(y='Company', x='Sales/Avg. Store', data=df_sorted_by_sales_stores, palette=colors) plt.xlabel('Ventas (millones de dólares) / Cantidad de tiendas físicas') plt.ylabel('Compañía') plt.title('Ventas en relación a cantidad de tiendas físicas') print("Mayor venta en relación a cantidad de tiendas físicas: " + str(df_sorted_by_sales_stores['Sales/Avg. Store'].iloc[0]) + " (" + str(df_sorted_by_sales_stores['Company'].iloc[0]) + ")")

df_online = df[np.isnan(df['Stores'])] df_online

df_group_by_online = df.groupby(np.isnan(df['Stores'])).mean().sort_values('Sales', ascending=0) df_group_by_online['online'] = np.where(df_group_by_online.index, "Solo online", "Incluye tiendas físicas") f1, ax = plt.subplots(figsize=(12, 2)) sns.barplot(y='online', x='Sales', data=df_group_by_online, color=primary_color) plt.xlabel('Ventas Promedio (millones de dólares)') plt.ylabel('¿Sólo online?') plt.title('Ventas promedio según tipo de tiendas') df_sorted = df.sort_values('Sales', ascending=0) df_sorted_no_main = df_sorted[1:] df_group_by_online = df_sorted_no_main.groupby(np.isnan(df['Stores'])).mean().sort_values('Sales', ascending=0) df_group_by_online['online'] = np.where(df_group_by_online.index, "Solo online", "Incluye tiendas físicas") f1, ax = plt.subplots(figsize=(12, 2)) sns.barplot(y='online', x='Sales', data=df_group_by_online, color=primary_color) plt.xlabel('Ventas Promedio (millones de dólares)') plt.ylabel('¿Sólo online?') plt.title('Ventas promedio según tipo de tiendas')

df_count_by_category = df.groupby('Category').size().sort_values(ascending=False) f1, ax = plt.subplots(figsize=(12, 5)) sns.barplot(y=df_count_by_category.index, x=df_count_by_category.values, color=primary_color) plt.xlabel('Cantidad de compañías') plt.ylabel('Categoría') plt.title('Compañías por categoría')

grocery_data = df[df['Category'] == 'Grocery'] f, ax = plt.subplots(figsize=(7, 7)) sns.scatterplot(x='Stores', y='Sales', data=grocery_data, color=secondary_color) plt.xlabel('Tiendas físicas') plt.ylabel('Ventas (millones de dólares)') plt.title('Compañías de comestibles: Ventas vs Tiendas físicas') correlation = df_max_corr.corr()['Stores']['Sales'] print(f"Correlación: {correlation}")