TP Final Integrador_Ledezma_Lucia_Del

# A veces necesitamos instalar nuevas librerías en nuestros proyectos !pip install openpyxl==3.0.10

Collecting openpyxl==3.0.10
  Downloading openpyxl-3.0.10-py2.py3-none-any.whl (242 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 242.1/242.1 KB 20.7 MB/s eta 0:00:00
Collecting et-xmlfile
  Downloading et_xmlfile-1.1.0-py3-none-any.whl (4.7 kB)
Installing collected packages: et-xmlfile, openpyxl
Successfully installed et-xmlfile-1.1.0 openpyxl-3.0.10
WARNING: You are using pip version 22.0.4; however, version 22.1.2 is available.
You should consider upgrading via the '/root/venv/bin/python -m pip install --upgrade pip' command.

# imports import numpy as np import pandas as pd import sqlite3 as sql3 import openpyxl # para que levante bien el excel import matplotlib.pyplot as plt import seaborn as sns import warnings warnings.filterwarnings("ignore")

# Levanto los datos en 3 diferentes dataframes # Artículos conn = sql3.connect('/work/data/articles.db') df_articles = pd.read_sql_query('SELECT * FROM articles', conn) #df_articles = pd.DataFrame(sql_query, columns = ['article_id', 'article_name', 'unit_price']) # Vendedores df_sellers = pd.read_excel('/work/data/sellers.xlsx', index_col=0) # Órdenes df_orders = pd.read_csv('/work/data/orders.csv')

# Exploración del df de artículos print('Muestra de datos') print(df_articles.head()) print('\nFormato del dataframe') print(df_articles.shape) print('\nBúsqueda de valores nulos por columna') print(df_articles.isnull().sum()) print('\nFormato de los datos por columna') print(df_articles.dtypes)

Muestra de datos
   article_id article_name unit_price
0       20015   Smartphone     525.00
1       20016      Full Pc    2127.81
2       20017      Monitor     230.00
3       20018       Tablet     130.00
4       20019         Desk     130.10

Formato del dataframe
(31, 3)

Búsqueda de valores nulos por columna
article_id      0
article_name    0
unit_price      0
dtype: int64

Formato de los datos por columna
article_id       int64
article_name    object
unit_price      object
dtype: object

# Exploración del df de vendedores print('Muestra de datos') print(df_sellers.head()) print('\nFormato del dataframe') print(df_sellers.shape) print('\nBúsqueda de valores nulos por columna') print(df_sellers.isnull().sum()) print('\nFormato de los datos por columna') print(df_sellers.dtypes)

Muestra de datos
                 seller_name
seller_id                   
1           Aveline Swanwick
2                   Jase Doy
3          Oliviero Charkham
4           Cornie Wynrehame
5                Ewell Peres

Formato del dataframe
(15, 1)

Búsqueda de valores nulos por columna
seller_name    0
dtype: int64

Formato de los datos por columna
seller_name    object
dtype: object

# Exploración del df de órdenes print('Muestra de datos') print(df_orders.head()) print('\nFormato del dataframe') print(df_orders.shape) print('\nBúsqueda de valores nulos por columna') print(df_orders.isnull().sum()) print('\nFormato de los datos por columna') print(df_orders.dtypes)

Muestra de datos
   order_id  week  article_id  quantity  seller_id country_name
0     15024     1       20039        10         10         Peru
1     15025     1       20029        15          5         Peru
2     15026     1       20024         5         14      Bolivia
3     15027     1       20018         9         14       Brazil
4     15028     1       20035         6         15       Mexico

Formato del dataframe
(1000, 6)

Búsqueda de valores nulos por columna
order_id        0
week            0
article_id      0
quantity        0
seller_id       0
country_name    0
dtype: int64

Formato de los datos por columna
order_id         int64
week             int64
article_id       int64
quantity         int64
seller_id        int64
country_name    object
dtype: object

df_articles['unit_price'] = df_articles['unit_price'].astype(float) print(df_articles.dtypes)

article_id        int64
article_name     object
unit_price      float64
dtype: object

# Creo una copia del df_orders my_df = df_orders.copy() # Cambio el índice del df de artículos df_articles.set_index('article_id',inplace = True) # Agrego algunas columnas y pongo el campo que me va a servir de "ancla" para acordarme 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']) # reemplazo los valores en el nuevo df # 1. busco el nombre del artículo y lo asigno a una variable # como df_articles está indexado por article_id, lo uso para ubicarme en # el registro que busco # SINTAXIS: df_articles.loc[indice][columna] # [indice] va a ser el dato que obtengo de my_df.loc[i]['article_id'] # -> o sea, tomo registro a registro el article_id y lo uso para extraer # el nombre del artículo for i in range(len(my_df.index)): # len(my_df.index) devuelve la cantidad de registros id_articulo = my_df.loc[i]['article_id'] nombre_articulo = df_articles.loc[id_articulo]['article_name'] # se lo asigno a la columna correspondiente my_df.loc[i,'article_name'] = nombre_articulo # hago lo mismo en un solo paso para la columna de total_amount precio_articulo = df_articles.loc[id_articulo]['unit_price'] cant_articulo = my_df.loc[i]['quantity'] my_df.loc[i,'total_amount'] = precio_articulo * cant_articulo # columna de seller_name id_vendedor = my_df.loc[i]['seller_id'] nombre_vendedor = df_sellers.loc[id_vendedor]['seller_name'] my_df.loc[i,'seller_name'] = nombre_vendedor # elimino las columnas que no necesito my_df.drop(['order_id', 'article_id', 'seller_id'], axis = 'columns', inplace=True) print(my_df)

     week  quantity country_name   article_name  total_amount      seller_name
0       1        10         Peru  Water Cooling         675.0  Cirilo Grandham
1       1        15         Peru          Mouse         454.5      Ewell Peres
2       1         5      Bolivia        Netbook         725.0   Janel O'Curran
3       1         9       Brazil         Tablet        1170.0   Janel O'Curran
4       1         6       Mexico           Case         227.4  Daisie Slograve
..    ...       ...          ...            ...           ...              ...
995     4         1       Brazil          Modem          67.5       Kati Innot
996     4        15       Brazil       Heatsink         150.0  Daisie Slograve
997     4         2     Colombia       Heatsink          20.0  Vasily Danilyuk
998     4        14       Brazil         Tablet        1820.0  Vasily Danilyuk
999     4        12       Brazil            SDD         264.0     Onida Cosely

[1000 rows x 6 columns]

# SI SOBRA TIEMPO Se puede mencionar la función merge para hacer joins entre dataframes # https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.merge.html d1=pd.DataFrame({'mes': ['ene','feb','mar','abr'], 'ventas':[10,20,30,15]}) d2=pd.DataFrame({'mes': ['ene','feb','mar','abr'], 'costos':[7,16,25,12]}) print(pd.merge(d1,d2))

   mes  ventas  costos
0  ene      10       7
1  feb      20      16
2  mar      30      25
3  abr      15      12

# RESOLUCIÓN ANALÍTICA my_df2=my_df.groupby('article_name').sum() por_cant = my_df2.sort_values('quantity', ascending=False) print(por_cant['quantity'].head(1))

article_name
HDD    413
Name: quantity, dtype: int64

# RESOLUCIÓN GRÁFICA sns.barplot(y=por_cant["quantity"], x=por_cant.index) plt.xticks(rotation=90) plt.show()

# RESOLUCIÓN ANALÍTICA print(my_df) df2 = (my_df.groupby(by='article_name').sum()).sort_values('total_amount',ascending=False).head(5) print(df2['total_amount']) # El artículo que mas ingreso proporcionó fué Full Pc

     week  quantity country_name   article_name  total_amount      seller_name
0       1        10         Peru  Water Cooling         675.0  Cirilo Grandham
1       1        15         Peru          Mouse         454.5      Ewell Peres
2       1         5      Bolivia        Netbook         725.0   Janel O'Curran
3       1         9       Brazil         Tablet        1170.0   Janel O'Curran
4       1         6       Mexico           Case         227.4  Daisie Slograve
..    ...       ...          ...            ...           ...              ...
995     4         1       Brazil          Modem          67.5       Kati Innot
996     4        15       Brazil       Heatsink         150.0  Daisie Slograve
997     4         2     Colombia       Heatsink          20.0  Vasily Danilyuk
998     4        14       Brazil         Tablet        1820.0  Vasily Danilyuk
999     4        12       Brazil            SDD         264.0     Onida Cosely

[1000 rows x 6 columns]
article_name
Full Pc       538335.93
Notebook      251000.00
Smartphone    152250.00
Chair          69477.48
Tablet         48620.00
Name: total_amount, dtype: float64

# RESOLUCIÓN GRÁFICA ---> OJO: Voy a tomar sólo los 5 primeros artículos que más ingresos proporcionaron # No puedo hacer una comparativa ni porcentajes porque no tomé el total de los datos #plt.pie(x=df2['total_amount'], labels=df2.index) #plt.show() plt.barh(df2.index,df2['total_amount'] , height=0.8) plt.show() # solo lo quise mostrar con los dos tipos de gráficos, plt.bar(df2.index,df2['total_amount']) plt.show()

# RESOLUCIÓN ANALÍTICA df4 = (my_df.groupby(by='seller_name').sum()).sort_values('total_amount',ascending=False).head(5) print(df4[['quantity', 'total_amount']]) # el mejor vendedor del mes es Janel O' Curran

                   quantity  total_amount
seller_name                              
Janel O'Curran          703     192832.47
Brockie Patience        441     142709.88
Oliviero Charkham       555     141329.76
Vasily Danilyuk         521     129157.55
Daisie Slograve         554     120520.11

# RESOLUCIÓN GRÁFICA plt.bar(df4.index,df4['total_amount']) plt.xticks(rotation=60, ha="right") plt.show()

# RESOLUCIÓN ANALÍTICA df5 = (my_df.groupby(by='week').sum()).sort_values('total_amount',ascending=False) print(df5['total_amount']) # si hay grandes variaciones, pienso que debe lanzarse una campaña de promociones en la última semana

week
1    507458.81
2    415364.44
3    329140.03
4    223844.56
Name: total_amount, dtype: float64

# RESOLUCIÓN GRÁFICA plt.bar(df5.index,df5['total_amount']) plt.show()

# RESOLUCIÓN df_pais_min_semana = my_df.groupby(['week', 'country_name']).sum().sort_values('total_amount') print(df_pais_min_semana.isnull().sum()) weeks = my_df['week'].unique() for week in weeks: condition = df_pais_min_semana['total_amount'] ==\ df_pais_min_semana.loc[week,]['total_amount'].min() # se accede al indice de la clave que refiere al pais (1).porque 0 corresponde a la semana pais = df_pais_min_semana[condition].index[0][1] monto = round(df_pais_min_semana[condition]['total_amount'].values[0],3) print("El país que menos compró la semana {} fué ".format(week)) print(f"{pais} con un total de $ {monto} \n") # tener un conocimiento de qué país compra menos cada semana, # puede ayudar a tomar decisiones en # la creación de campañas en esos lugares para incentivar la venta.

quantity        0
total_amount    0
dtype: int64
El país que menos compró la semana 1 fué 
Ecuador con un total de $ 67.5 

El país que menos compró la semana 2 fué 
Puerto Rico con un total de $ 8.85 

El país que menos compró la semana 3 fué 
Paraguay con un total de $ 1026.62 

El país que menos compró la semana 4 fué 
Uruguay con un total de $ 164.98

# RESOLUCIÓN # cuál fué el vendedor que más vendió en cada país? #creo que es importante saber que vendedor vende más en cada país, para dar incentivos por ventas generadas. df_ven_max_pais = my_df.groupby(['country_name']) print(df_ven_max_pais) for name, data in df_ven_max_pais: print(name) print(data.groupby('seller_name').sum().sort_values("total_amount", ascending=False)['total_amount'].head(1)) print("\n")

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x7ffb82852d90>
Argentina
seller_name
Janel O'Curran    34971.47
Name: total_amount, dtype: float64


Bolivia
seller_name
Kati Innot    10750.37
Name: total_amount, dtype: float64


Brazil
seller_name
Daisie Slograve    65283.28
Name: total_amount, dtype: float64


Chile
seller_name
Onida Cosely    6769.8
Name: total_amount, dtype: float64


Colombia
seller_name
Brockie Patience    33654.38
Name: total_amount, dtype: float64


Costa Rica
seller_name
Oliviero Charkham    24021.21
Name: total_amount, dtype: float64


Ecuador
seller_name
Oliviero Charkham    6647.5
Name: total_amount, dtype: float64


El Salvador
seller_name
Janel O'Curran    32967.15
Name: total_amount, dtype: float64


Guatemala
seller_name
Vasily Danilyuk    27661.53
Name: total_amount, dtype: float64


Honduras
seller_name
Oliviero Charkham    19403.32
Name: total_amount, dtype: float64


Mexico
seller_name
Jase Doy    29096.3
Name: total_amount, dtype: float64


Paraguay
seller_name
Aveline Swanwick    3220.0
Name: total_amount, dtype: float64


Peru
seller_name
Brockie Patience    46089.88
Name: total_amount, dtype: float64


Puerto Rico
seller_name
Ewell Peres    1256.58
Name: total_amount, dtype: float64


Uruguay
seller_name
Janel O'Curran    9488.58
Name: total_amount, dtype: float64


Venezuela
seller_name
Oliviero Charkham    33961.53
Name: total_amount, dtype: float64

df_min_article = my_df.groupby("article_name").sum().sort_values("total_amount", ascending=True)["total_amount"].head(5) print(df_min_article) sns.barplot(x=df_min_article.index,y= df_min_article) plt.title('5 artículos que generaron menos ingresos') plt.show() # es importante conocer cuales son los artículos que menos ingresos generan, para evaluar la posibilidad de hacer campañas # de promoción o bien ver si realmente conviene tener mucho stock de los mismos.

article_name
Sata Cable           564.96
Usb Cable            805.35
Fan Cooler           871.25
Heatsink            2800.00
Pci Express Port    2944.92
Name: total_amount, dtype: float64

8- ¿Cuál fue el total de ventas por país?, ¿Cuál fue la venta de cada país por semana?

## Total de ventas por país df_total_sales = my_df.groupby(['country_name']).sum() #define Seaborn color palette to use colors = sns.color_palette('Paired') #bar chart sns.barplot(x=df_total_sales.index,y=df_total_sales['total_amount']) plt.xticks(rotation=60, ha="right") plt.title('Total de ventas por país') plt.show() sns.set_theme() ## Total de ventas por pais y por semana df_sales = my_df.groupby(['country_name', 'week']).sum() countries = my_df['country_name'].unique() df_countries = pd.DataFrame(columns=['country', 'week', 'total_amount']) for country in countries: df_country = df_sales.loc[country] for week in df_country.index: df_countries = df_countries.append({'country': country, 'week': week, 'total_amount': df_country.loc[week]['total_amount']}, ignore_index=True) print(df_countries.head(len(df_countries))) countries_data = df_countries.pivot("country", "week", "total_amount") # heatmap con datos numericos en cada celda, #las celdas vacias indican que no existen ventas en esa instancia. f, ax = plt.subplots(figsize=(9, 6)) sns.heatmap(countries_data, annot=True, fmt=".2f", linewidths=.7, ax=ax) plt.title('Total de ventas por país y por semana \n') plt.show()

        country week  total_amount
0          Peru    1      48807.97
1          Peru    2      56591.80
2          Peru    3      51855.31
3          Peru    4       4166.04
4       Bolivia    1      13033.19
..          ...  ...           ...
57  Puerto Rico    2          8.85
58      Ecuador    1         67.50
59      Ecuador    2      12085.96
60      Ecuador    3       4801.84
61      Ecuador    4        520.00

[62 rows x 3 columns]

1- Creo que este trabajo ha sido interesante para comprender como se distribuyen los datos, ver las diversas perspectivas. Los gráficos realmente detallan de manera sencilla como se comportan estos datos.

2- Además los diferentes tipos de análisis planteados permiten comprender las métricas dada las distintas dimensiones que se evalúan.

3- Una cuestión interesante fué que el país que más vendió durante todo el mes ha sido Brasil, lo que genera inconsistencia a la hora de concluir respecto al promedio de ventas por país. Además se observa la disparidad de cantidades y montos facturados en el conjunto de paises,