# Debido a que existen algunas incompatibilidades, instalaremos la libreria: !pip install openpyxl==3.0.10

# Se hacen las importaciones necesarias y se renombran por comodidad. Notese que se importa tambien # openpyxl para que el archivo en excel no presente problemas. # imports import numpy as np import pandas as pd import sqlite3 as sql3 import openpyxl import matplotlib.pyplot as plt import seaborn as sns import math

# Es necesario recuperar los datos de las diferentes fuentes. # Como los articulos, los vendedores y las ordenes proceden de distintos origenes, se utilizan metodos # diferentes: # Artículos: Se crea una conexion a la base de datos virtuales que nos provee sqlite3 en el archivo de # base de datos "articles.db". Luego, se hace la consulta. Cómo queremos traer todos los registros, # hacemos un Select * from... Los guardamos en una nueva variable que seria el resultado de la consulta. # Por ultimo, con pandas tomamos esa variable y la convertimos en un DataFrame por medio de la funcion # que nos provee pandas. 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: En este caso, simplemente usamos la funcion que nos provee pandas para traer los datos de # un archivo de excel. Solamente tenemos que indicarle en donde se encuentra el indice y obtenemos el # DataFrame buscado. df_sellers = pd.read_excel('/work/data/sellers.xlsx', index_col=0) # Órdenes: Por ultimo el caso mas sencillo: Para leer las ordenes de un archivo con valores separados # por coma, usamos la funcion que nos provee pandas y ya. Con eso se arma el DataFrame. df_orders = pd.read_csv('/work/data/orders.csv')

# Exploración del df de artículos print('Muestra de datos: Se seleccionan sólo 5 valores como referencia.') print(df_articles.head()) print('\nFormato del dataframe: Se brinda la información de "(filas, columnas)".') print(df_articles.shape) print('\nBúsqueda de valores nulos por columna: Si existiera algun valor, nos mostraria la cantidad') print('mayor a 0') print(df_articles.isnull().sum()) print('\nFormato de los datos por columna: Se ve el tipo de dato, en donde se puede notar que por lo ') print('menos article_id es esperado. Los otros se devuelven con el tipo object, mientras que se ') print('se espera que article_name sea una cadena de caracteres y unit_price sea un numero con coma.') print('El valor del precio unitario tiene que ser de tipo float, por lo cual deberá convertirse luego.') print(df_articles.dtypes)

# Exploración del df de vendedores print('Muestra de datos: Se seleccionan solo 5 valores como referencia.') print(df_sellers.head()) print('\nFormato del dataframe: Se brinda la información de "(filas, columnas)".') print(df_sellers.shape) print('\nBúsqueda de valores nulos por columna: Si existiera algun valor, nos mostraria la cantidad') print(df_sellers.isnull().sum()) print('\nFormato de los datos por columna: Se ve el tipo de dato, en donde se puede notar que se ') print('devuelven las columnas con el tipo object, mientras que se espera que seller_name sea una ') print('cadena de caracteres.') print(df_sellers.dtypes)

# Exploración del df de órdenes print('Muestra de datos: Se seleccionan solo 5 valores como referencia.') print(df_orders.head()) print('\nFormato del dataframe: Se brinda la información de "(filas, columnas)".') print(df_orders.shape) print('\nBúsqueda de valores nulos por columna: Si existiera algun, nos mostraria la cantidad') print(df_orders.isnull().sum()) print('\nFormato de los datos por columna: Se ve el tipo de dato, en este caso todos coinciden con ') print('el tipo esperado menos country_name que se supone sea una cadena de caracteres.') print(df_orders.dtypes)

#La conversion de tipo object a float se puede hacer con el metodo .astype(float). df_articles['unit_price'] = df_articles['unit_price'].astype(float) print('\nLa estructura del DataFrame corregido seria la siguiente:') print(df_articles.dtypes)

# Se creará una copia del df_orders para utilizarlo de base en donde se introduciran los demas cambios. # Estos cambios modelaran el DataFrame buscado (my_df). my_df = df_orders.copy() # Luego, es necesario hacer el cambio del índice del df_articles para utilizarlo luego. df_articles.set_index('article_id',inplace = True) # Se agregaran las columnas necesarias asociadas al campo que va a utilizarme como referencia. 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']) # Ahora, se reemplazaran los valores en el nuevo DataFrame # Primero se debe buscar el nombre del artículo y se guarda en una variable. # Como ahora df_articles está indexado por article_id, se puede utilizar para conseguir # el registro que buscado mas facilmente con ".loc". # La sintaxis correcta sería: df_articles.loc[indice][columna] # En donde [indice] será el dato que se obtiene de my_df.loc[i]['article_id'] # En otras palabras, se toma registro a registro el article_id y se utiliza para extraer # el nombre del artículo. Para lograr esto se utiliza la funcion iterativa 'for' 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 le asigna a la columna correspondiente, llamada ahora como la variable nombreArticulo my_df.loc[i,'article_name'] = nombreArticulo # Se hace la misma operacion con precioArticulo y cantArticulo para obtener el paralelo # de total_amount. En este caso será el resultado del producto de ambos. precioArticulo = df_articles.loc[idArticulo]['unit_price'] cantArticulo = my_df.loc[i]['quantity'] my_df.loc[i,'total_amount'] = precioArticulo * cantArticulo # La iteracion tambien debe obtener datos de la columna de seller_name, ahora llamada nombreVendedor idVendedor = my_df.loc[i]['seller_id'] nombreVendedor = df_sellers.loc[idVendedor]['seller_name'] my_df.loc[i,'seller_name'] = nombreVendedor # Para finalizar, se puede limpiar la tabla eliminando las columnas que no se necesitan, como pueden # ser order_id, article_id y/o seller_id. Para esto se utiliza el metodo del Dataframe .drop. my_df.drop(['order_id', 'article_id', 'seller_id'], axis = 'columns', inplace=True) print(my_df)

# Por otro lado, también es bueno saber que existe una funcion de pandas llamada .merge # Con esta funcion se pueden unir dos DataFrames para obtener un unico DataFrame de resultado. # El resultado es similar a hacer un 'join' en la base de datos con dos tablas. # Por ejemplo, siendo d1: d1=pd.DataFrame({'mes': ['ene','feb','mar','abr'], 'ventas':[10,20,30,15]}) print('\nDataFrame d1:') print (d1) # Y siendo d2: d2=pd.DataFrame({'mes': ['ene','feb','mar','abr'], 'costos':[7,16,25,12]}) print('\nDataFrame d2:') print (d2) # El df resultado será: print('\nDataFrame luego de aplicar merge sobre d1 y d2:') print(pd.merge(d1,d2)) # Siendo 'mes': ['ene','feb','mar','abr'] la 'key' que tienen en común. # Para mas informacion: https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.merge.html

# RESOLUCIÓN ANALÍTICA: Se crea un nuevo DataFrame en donde primero se agrupara por article_name y luego # se sumaran las cantidades de cada articulo. my_df2=my_df.groupby('article_name').sum() por_cant = my_df2.sort_values('quantity', ascending=False) #ascending=True traeria los menos vendidos. print(por_cant['quantity'].head(1)) #variando el valor de .head(x) podriamos traer los x mas vendidos.

# RESOLUCIÓN GRÁFICA: Se utilizará seaborn para realizar el plot. sns.barplot(y=por_cant["quantity"], x=por_cant.index) plt.xticks(rotation=75) #Si no se le da una rotacion, las nombres se superponen haciendose ilegibles. plt.show() # Muestra la grafica. print('\nSe observa que el articulo "HDD" tuvo mas unidades vendidas.')

# RESOLUCIÓN ANALÍTICA: Se crea un nuevo DataFrame en donde primero se agrupara por article_name y luego # se ordenaran segun el monto final de forma descendente. Elegimos los primeros 10. df2 = (my_df.groupby(by='article_name').sum()).sort_values('total_amount',ascending=False).head(10) print(df2['total_amount'])

# RESOLUCIÓN GRÁFICA: Se opto por tomar sólo los 10 primeros artículos que más ingresos proporcionaron # Pero no puede hacerse una comparativa ni porcentajes porque no se trabaja con el total de los datos. print('\nTop 10 articulos que mas ingresos generaron vistos en gráfica de torta: ') plt.pie(x=df2['total_amount'], labels=df2.index) plt.show() print('\nTop 10 articulos que mas ingresos generaron vistos en gráfica barras horizontales: ') plt.barh(df2.index,df2['total_amount'] , height=0.7) # height permite hacer las barras mas finas y plt.show() # asi resultan mas fáciles de distinguir. print('\nEn ambos casos se ve claramente que el articulo mas vendido fue "Full Pc".')

# RESOLUCIÓN ANALÍTICA: Se crea otro nuevo DataFrame como copia del original, esta vez agrupado por # seller_name y se hará la suma de los montos totales. Luego, se ordenará el DataFrame de tal forma que # los mejores vendedores queden arriba y siga de forma descendente. df4 = (my_df.groupby(by='seller_name').sum()).sort_values('total_amount',ascending=False) print(df4[['quantity']+['total_amount']])

# RESOLUCIÓN GRÁFICA: Se elige un grafico de barras verticales y se procede a graficar. plt.bar(df4.index,df4['total_amount']) plt.xticks(rotation=60, ha="right") # ha="right" corrige el orden de los nombres para que coincidan con plt.show() # las columnas. print('\nSe observa que el vendedor Janel O Curran vendió un monto total superior a otros vendedores.')

# RESOLUCIÓN ANALÍTICA: Se agrupan los datos segun la semana, se suman y se acomodan de forma # descendente. De esa manera se obtienen los valores totales por semana. df5 = (my_df.groupby(by='week').sum()).sort_values('total_amount',ascending=False) print(df5['total_amount'])

# RESOLUCIÓN GRÁFICA plt.bar(df5.index,df5['total_amount']) plt.show() plt.pie(x=df5['total_amount'], labels=df5.index) plt.show() print('Se observa que la semana que mas se vendió fue la numero 1.')

# RESOLUCIÓN ANALITICA: # ¿Cuales son los 5 paises que menos compraron en el mes? print('\nTop 5 paises que menos compraron:') df6 = (my_df.groupby(by='country_name').sum()).sort_values('total_amount',ascending=True).head() plt.bar(df6.index,df6['total_amount']) plt.show() print('\nEn el grafico se ve claramente que, de los ultimos 5, Puerto Rico fue el pais que menos compró')

# RESOLUCIÓN ANALITICA: # Previsualizar el DF final # ------------------------- # "Pais" "Semana" "Ventas" # Pais1 4 monto # Pais2 3 monto # ---------------------- # Paisn x monto # 1) Se obtiene el total por semana por pais df_pais_semana = my_df.groupby(['country_name', 'week']).sum() #print(df_pais_semana) nos ayuda a visualizar lo obtenido # 2) Se obtiene la lista de paises paises = my_df.groupby('country_name').sum().index.values # 3) Se genera el DataFrame final df_final = pd.DataFrame(columns=['Semana', 'Ventas'], index=paises) #print(df_final) # 4) Se procesa el DataFrame df_pais_semana y se obtienen las ventas minimas por semana. # Se guardan en df_final. for p in paises: df = df_pais_semana.loc[p] v = df.min()['total_amount'] s = df[(df['total_amount'] == v)].index[0] df_final.loc[p] = {'Semana': s, 'Ventas': v} df_final['Semana'] = df_final['Semana'].astype(int) print(df_final) # RESOLUCION GRÁFICA: g = sns.barplot(data = df_final, x = df_final.index, y = 'Ventas', hue = 'Semana') g.set_xticklabels(labels=df_final.index, rotation=90) print('\nEn el siguiente grafico de seaborn se utilizan colores para distinguir las semanas, y el alto de la columna') print('ilustraria el monto vendido. Si bien responde a la pregunta, hay valores que se pierden por su bajo monto.') plt.show() plt.bar(df_final.index,df_final['Semana']) plt.xticks(rotation=90) print('\nEn este caso, se grafica la misma respuesta independientemente de los montos semanales.') print('Responde de manera mas clara a la pregunta.') plt.show()

# RESOLUCIÓN ANALITICA df_mejores = (my_df.groupby(by='seller_name').sum()).sort_values('total_amount',ascending=False).head(3) print('\nDataFrame mejores vendedores') print(df_mejores) df_peores = (my_df.groupby(by='seller_name').sum()).sort_values('total_amount',ascending=True).head(3) print('\nDataFrame peores vendedores') print(df_peores) plt.bar(df_mejores.index,df_mejores['total_amount']) plt.xticks(rotation=90) plt.bar(df_peores.index,df_peores['total_amount']) plt.xticks(rotation=90) print('\nMejores vendedores vs Peores vendedores') plt.show() print('\nTotal vendido entre mejores vendedores y peores vendedores:') total_mejores = df_mejores.sum().total_amount total_peores = df_peores.sum().total_amount plt.bar('Mejores vendedores',total_mejores) plt.bar('Peores vendedores',total_peores) plt.bar('Diferencia',total_mejores-total_peores) plt.show() porcentual = math.trunc(((total_mejores/total_peores)-1)*100) print('\nTeniendo en cuenta los datos, se estima una mejora de alrededor de ',porcentual,'% en las ventas de los ') print('peores vendedores trabajando en conjunto con el mejor equipo')