TP integrador Final 22612 Cabrera Maite

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

# imports import numpy as np import pandas as pd import sqlite3 as sql3 import openpyxl import matplotlib.pyplot as plt import seaborn as sns

# Levanto los datos en 3 diferentes dataframes # Articulos 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 df_sellers = pd.read_excel('/work/data/sellers.xlsx', index_col=0) # Ordenes df_orders = pd.read_csv('/work/data/orders.csv')

#1- Exploración del dataframe de artículos (Inspección de datos.) print("Muestra de datos") print(df_articles.head()) # head() 5 Filas por defecto print('\nFormato del dataframe') print(df_articles.shape) print('\nBusqueda de valores nulls por columna') print(df_articles.isnull().sum()) print('\nFormato de los datos por columna') print(df_articles.dtypes)

#2- Exploración del dataframe de vendedores print('Muestra de datos') print(df_sellers.head()) # head() 5 Filas por defecto print('\nFormato del dataframe') print(df_sellers.shape) print('\nBusqueda de valores nulls por columna') print(df_sellers.isnull().sum()) print('\nFormato de los datos por columna') print(df_sellers.dtypes)

#3- Exploración del dataframe de órdenes print('Muestra de datos') print(df_orders.head()) # head() ->5 Filas por defecto, los parentesis toman como parámetro la cantidad. print('\nFormato del dataframe') print(df_orders.shape) print('\nBusqueda de valores nulls por columna') print(df_orders.isnull().sum()) print('\nFormato de los datos por columna') print(df_orders.dtypes)

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

#En nuestra tabla "my_df" hay que identificar el "seller_name" a partir de "seller_id"(de la tabla de "df_orders"). # "article_name" lo trabajamos con "article_id". #"total_amount" -> cálculo calculado a partir de "quantity(df_order)" y unit_price(df_articles) # https://pandas.pydata.org/docs/user_guide/indexing.html # https://towardsdatascience.com/how-to-use-loc-and-iloc-for-selecting-data-in-pandas-bd09cb4c3d79 # https://stackoverflow.com/questions/28754603/indexing-pandas-data-frames-integer-rows-named-columns my_df = df_orders.copy() # Shallow copy,una copia. Otro objeto alojado en la memoria. se crea una nueva referencia al mismo objeto en la memoria, en lugar de crear una copia completa del objeto y sus propiedades # Cambio el índice del df de artículos df_articles.set_index('article_id', inplace=True) #"inplace" como "false" en una función o método en lenguajes de programación, se indica que la operación no debe modificar el objeto original. #se creará una copia del objeto y se realizará la operación en la copia. y con TRUE los cambios se hacen efectivos en el original. #Asignaciones. article_name toma el valor de article_id y así sucesivamente. 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']) #Con esto vamos visualizando lo que hacemos. # print(df_articles) # print() # my_df for i in range(max(my_df.count())): # print(i) # https://pandas.pydata.org/docs/user_guide/indexing.html -> Teoría # 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 (article_name) de df_articles # print(df_articles.loc[my_df[i]['article_id']]['article_name']) article = df_articles.loc[my_df.loc[i]['article_id']]['article_name'] # print(article) my_df.loc[i, 'article_name'] = article #asignamos, para cada registro de la serie my_df le asignamos lo que guardamos en la variable article # my_df # hacemos lo mismo con total_amount my_df.loc[i, 'total_amount'] = my_df.loc[i, 'quantity']*df_articles.loc[my_df.loc[i]['article_id']]['unit_price'] # Columna de seller name my_df.loc[i, 'seller_name'] = df_sellers.loc[my_df.loc[i]['seller_id']]['seller_name'] # elimino las columnas que no necesito del df y nos queda nuestra my_df my_df.drop(['order_id', 'article_id', 'seller_id'], axis='columns', inplace=True) print(my_df)

#LOC Y ILOC #https://towardsdatascience.com/how-to-use-loc-and-iloc-for-selecting-data-in-pandas-bd09cb4c3d79 -> teoría # my_df.loc[:, 'quantity'] # my_df.loc[0, ['quantity','country_name']] # my_df.loc[0:5, ['quantity','country_name']], lo toma como una etiqueta -> loc, no por posicionamiento. # my_df.iloc[:,1] # my_df.iloc[0,[1,2]]#pasamos una lista en posición cero. my_df.iloc[0:5,[1,2]]

# RESOLUCIÓN ANALÍTICA # df7 = my_df.groupby(by='article_name').sum().sort_values('quantity', ascending=False) #agrupa por article_name y suma, lo ordena por cantidad. # print(df7.head()) # los primeros 5. # print(df7[['quantity']].head()) # print() # df7 = my_df.groupby(by='article_name').sum().sort_values('quantity', ascending=False).reset_index() # print(df7.head()) # df7_2 = df7[['article_name', 'quantity']].groupby('article_name').sum('quantity').sort_values('quantity', ascending=False) # print(df7_2.head()) # print() # print(df7_2.head().index) # print(df7_2.head().index[0]) # df7 = my_df.groupby(by='article_name')['quantity'].sum().sort_values(ascending=False).head() # df7 = my_df.groupby(by='article_name')[['quantity'] + ['total_amount']].sum().sort_values('quantity',ascending=False).head() # print(df7) # print(df7.head().index) # df7 = my_df.groupby(by='article_name')['quantity'].sum().sort_values(ascending=False) # print(df7.iloc[0:6]) # df7 = my_df.groupby(by='article_name')['quantity'].sum().sort_values(ascending=False).reset_index() # print(df7.iloc[0:6]) # df7 = my_df.groupby(by='article_name')['quantity'].sum().sort_values(ascending=False) # df7 = my_df.groupby(by='article_name').sum().sort_values('quantity',ascending=False) # print(df7) # print(df7.loc['HDD':'Netbook']) # print(df7.loc['HDD':'Netbook']['quantity']) # df7 = my_df.groupby(by='article_name').agg({'quantity':'sum'}).sort_values('quantity', ascending=False) # print(df7.head()) # df7 = my_df.groupby(by='article_name').agg({'quantity':'sum'}).sort_values('quantity', ascending=False).rename(columns={'quantity':'Cantidad'}).sort_values('Cantidad', ascending=False) # print(df7.head()) # df7 = my_df.groupby(by='article_name').agg({'quantity':'sum'}).sort_values('quantity', ascending=False).reset_index().rename(columns={'quantity':'Cantidad'}).sort_values('Cantidad', ascending=False) # print(df7.head()) df7 = my_df.groupby(by='article_name').sum().sort_values('quantity', ascending=False) pd.options.display.float_format= '$ {:,.2f}'.format # print(df7[['quantity']].head()) print(df7[['quantity','total_amount']].head())

# RESOLUCIÓN GRÁFICA sns.set_style("darkgrid") sns.displot(my_df, x='article_name',color='darkblue') plt.xticks(rotation=90) # 'vertical' plt.show()

# RESOLUCIÓN ANALÍTICA df2 = my_df.groupby(by='article_name').sum().sort_values('total_amount', ascending=False).head(5) pd.options.display.float_format= '$ {:,.2f}'.format # print(df2['total_amount']) print(df2) # print() # print(df2.index[0]) # print() # print(df2.index[0]) # print(df2.iloc[0]) # print() # for i in range(5): # print(df2.index[i]) # print(df2.iloc[i]) # print() # print() # print(df2.reset_index())

# RESOLUCIÓN GRÁFICA plt.pie(x=df2['total_amount'], labels=df2.index, autopct='%1.2f%%') plt.show()

# RESOLUCIÓN ANALÍTICA df4 = my_df.groupby(by='seller_name').sum().sort_values('total_amount', ascending=False) pd.options.display.float_format= '$ {:,.2f}'.format print(df4[['quantity'] + ['total_amount']].head(5))

# RESOLUCIÓN GRÁFICA plt.bar(df4.index, df4['total_amount'], edgecolor='green', hatch='/', color='darkblue') plt.xticks(rotation=60) plt.show()

# RESOLUCIÓN ANALÍTICA df5 = my_df.groupby(by='week').sum().sort_values('total_amount', ascending=False) pd.options.display.float_format= '$ {:,.2f}'.format print(df5[['quantity'] + ['total_amount']])

# RESOLUCIÓN GRÁFICA plt.bar(df5.index, df5['total_amount'], color='darkblue') plt.show() # 'week' es el index

#Resolución Analitica. df6 = my_df[my_df['country_name'] == 'Mexico'] vendedores_pais = df6.groupby('seller_name').sum().sort_values('total_amount', ascending=True) vendedores_pais.head()

# Resolución Gráfica sns.set_style("darkgrid") plt.figure(figsize=(7, 4)) # Obtener los últimos 5 vendedores vendedores_ultimos_5 = vendedores_pais.head(5) # Crear el gráfico de barras utilizando los últimos 5 vendedores plt.bar(vendedores_ultimos_5.index, vendedores_ultimos_5['total_amount'],edgecolor='black',hatch='/', color='red') plt.xticks(rotation='vertical') # Añadir título y etiquetas de eje al gráfico plt.title("Desempeño de los últimos 5 vendedores de México") plt.xlabel("Vendedores") plt.ylabel("Total de Ventas") # Mostrar el gráfico plt.show()

# Resolución Analítica df7 = my_df.groupby(['country_name']).sum().sort_values('quantity', ascending=False) pd.options.display.float_format = '$ {:,.2f}'.format print(df7[['quantity','total_amount' ]].head())

# Resolución Gráfica #Estilo gráfico sns.set_style("darkgrid") plt.figure(figsize=(10, 6)) sns.displot(my_df, x='country_name', color='green',edgecolor='black') plt.xticks(rotation='vertical') # Añadir título y etiquetas de eje al gráfico plt.title("Países más vendedores") plt.xlabel("Países") plt.ylabel("Cantidad vendida") # Mostrar el gráfico plt.show()

# Resolución Analítica # Agrupar los datos por país y producto y obtener la suma total de ventas por país y producto ventas_por_pais_producto = my_df.groupby(['country_name', 'article_name'])['total_amount'].sum() # Obtener el índice del producto más vendido en Argentina producto_mas_vendido_argentina = ventas_por_pais_producto.loc['Argentina'].idxmax() # Obtener el índice del producto más vendido en Mexico producto_mas_vendido_mexico = ventas_por_pais_producto.loc['Mexico'].idxmax() # Obtener las ventas totales del producto más vendido en Argentina ventas_producto_argentina = ventas_por_pais_producto.loc[('Argentina', producto_mas_vendido_argentina)] # Obtener las ventas totales del producto más vendido en México ventas_producto_mexico = ventas_por_pais_producto.loc[('Mexico', producto_mas_vendido_mexico)] print(f"El producto más vendido en Argentina es {producto_mas_vendido_argentina} con un total de ventas de {ventas_producto_argentina}") print(f"El producto más vendido en México es {producto_mas_vendido_mexico} con un total de ventas de {ventas_producto_mexico}")

# Crear un gráfico de barras con dos barras, una para Argentina y otra para México plt.bar(['Argentina', 'México'], [ventas_producto_argentina, ventas_producto_mexico], color=['red', 'green'], edgecolor='black') # Añadir etiquetas con las ventas totales a cada barra plt.text(0, ventas_producto_argentina + 1, ventas_producto_argentina, ha='right', va='bottom') plt.text(1, ventas_producto_mexico + 1, ventas_producto_mexico, ha='left', va='bottom') # Añadir el nombre del producto más vendido en Argentina encima de la barra roja plt.text(0, ventas_producto_argentina + 1, producto_mas_vendido_argentina, ha='left', va='bottom', color='blue') # Añadir el nombre del producto más vendido en México encima de la barra verde plt.text(1, ventas_producto_mexico + 1, producto_mas_vendido_mexico, ha='right', va='bottom', color='darkblue') # Añadir título y etiquetas de eje al gráfico plt.title("Ventas del producto más vendido en Argentina y México") plt.xlabel("País") plt.ylabel("Ventas totales") # Mostrar el gráfico plt.show()

df6 = my_df[my_df['country_name'] == 'Brazil'] #A partir del anterior, ordenar vendedores por total de ventas vendedores_pais = df6.groupby('seller_name').sum().sort_values('total_amount', ascending=False) vendedores_pais.head()

plt.bar(vendedores_pais.index,vendedores_pais['total_amount'], color = ['green' if x in vendedores_pais.index[0:5] else 'blue' for x in vendedores_pais.index]) #Color verde para los mejores 5 plt.xticks(rotation = 90) plt.title("Desempeño vendedores del país que más compra") plt.xlabel("Vendedores") plt.ylabel("Total de Ventas") plt.show()

df_brazil = my_df[my_df['country_name'] == 'Brazil'] print(df_brazil[['seller_name','total_amount', 'quantity']].groupby('seller_name').sum().sort_values('total_amount', ascending=False)) print() df_brazil_bars = df_brazil[['seller_name','total_amount']].groupby('seller_name').sum('total_amount').sort_values('total_amount', ascending=False) print(df_brazil_bars) print() df_brazil_line = df_brazil[['seller_name','quantity']].groupby('seller_name').sum('quantity').sort_values('quantity', ascending=False).reset_index() print(df_brazil_line) fig, ax1 = plt.subplots() # ax1: axes1 # sns.barplot(data = df_brazil_bars, x='seller_name', y='total_amount', ax=ax1, color='C3') sns.barplot(data = df_brazil_bars, x = df_brazil_bars.index, y='total_amount', ax=ax1, color='C3') # ax: axes plt.xticks(rotation=90) ax2 = ax1.twinx() # ax2: axes2 = ax1.twinx() sns.lineplot(data = df_brazil_line, x='seller_name', y='quantity', ax=ax2, color='C11') plt.xticks(rotation=90) plt.title('Top sellers in Brazil') ax1.set_xlabel("Seller Name") ax1.set_ylabel("Income ($)") ax2.set_ylabel("Quantity (line)") plt.show()