TP Final Integrador - María Laura Boudin

Trabajo Integrador Codo a codo Comisión 22041 Alumna: María Laura Boudin

# 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) # 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 data frame') print(df_articles.shape) print('\nBusqueda de valores nulos por columna') print(df_articles.isnull().sum()) print('\nFormato de los datos por columna') print(df_articles.dtypes) #print(df_articles.values)

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 data frame
(31, 3)

Busqueda 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 data frame') print(df_sellers.shape) print('\nBusqueda 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 data frame
(15, 1)

Busqueda 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_artic = df_articles.set_index('article_id',inplace = False) # 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 for i in range(len(my_df.index)): # Obtenemos article_name id_articulo = my_df.loc[i]['article_id'] nombreArticulo = df_artic.loc[id_articulo]['article_name'] #se lo asigno a la columna correspondiente my_df.loc[i,'article_name'] = nombreArticulo # Obtenemos total_amount precioArticulo = df_artic.loc[id_articulo]['unit_price'] my_df.loc[i, 'total_amount'] = my_df.loc[i,'quantity'] * precioArticulo # Obtenemos seller_name id_vendedor = my_df.loc[i]['seller_id'] nombreVendedor = df_sellers.loc[id_vendedor]['seller_name'] my_df.loc[i, 'seller_name'] = nombreVendedor

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

article_name
HDD    413
Name: quantity, dtype: int64

# RESOLUCIÓN GRÁFICA sns.barplot(y = df_cant_articulos_ord["quantity"], x=df_cant_articulos_ord.index, palette='tab10') sns.set_style('whitegrid',{"grid.color": "k","patch.edgecolor": "yellow", "grid.linestyle": "--", "font":"calibri"}) plt.gcf().set_size_inches(15, 8) plt.title ("¿Cuál es el artículo mas vendido?", color='dodgerblue', fontsize= 20) plt.xticks(rotation=75, fontsize=12 ) plt.xlabel('Nombre del Articulo', color='dodgerblue', fontsize=15) plt.ylabel('Cantidad del Articulo', color='dodgerblue',fontsize=15) plt.show()

El artículo más vendido es HDD con 413 unidades.

# RESOLUCIÓN ANALÍTICA df_monto_articulo_ord = my_df.groupby('article_name').sum().sort_values('total_amount', ascending=False).head(5) pd.options.display.float_format='$ {:,.2f}'.format df_monto_articulo_desc = my_df.groupby('article_name').sum().sort_values('total_amount', ascending=True).head(5) print(df_monto_articulo_ord) print(df_monto_articulo_desc)

              order_id  week  article_id  quantity  seller_id  total_amount
article_name                                                               
Full Pc         525601    70      680544       253        288  $ 538,335.93
Notebook        465763    69      600690       251        239  $ 251,000.00
Smartphone      542566    74      700525       290        301  $ 152,250.00
Chair           373580    56      480480       207        213   $ 69,477.48
Tablet          621378    90      800720       374        377   $ 48,620.00
                  order_id  week  article_id  quantity  seller_id  \
article_name                                                        
Sata Cable          589295    82      761596       264        310   
Usb Cable           607071    93      781599       273        296   
Fan Cooler          390132    64      500750       205        187   
Heatsink            529107    79      681360       280        309   
Pci Express Port    575831    89      741591       291        246   

                  total_amount  
article_name                    
Sata Cable            $ 564.96  
Usb Cable             $ 805.35  
Fan Cooler            $ 871.25  
Heatsink            $ 2,800.00  
Pci Express Port    $ 2,944.92

# RESOLUCIÓN GRÁFICA plt.barh(df_monto_articulo_ord.index, df_monto_articulo_ord['total_amount'] ,color =['plum', 'lightsteelblue', 'plum','lightsteelblue','plum'],height=1) sns.set_style('whitegrid',{"grid.color": "0.6","patch.edgecolor": "yellow", "grid.linestyle": ":", "font":"calibri"}) plt.gcf().set_size_inches(6, 5) plt.title ("¿Que artículo es el que mas ingreso nos proporciono?", color='teal', fontsize= 20) plt.xticks(fontsize=13, color='purple') plt.yticks(fontsize=13, color='purple') plt.xlabel('Monto total($)', color='teal', fontsize=15) plt.ylabel('Articulo', color='teal',fontsize=15) plt.show()

El artículo que más ingresos proporcionó es Full Pc, cuyo monto fue de $538.335,93 (más del doble que las Notebooks, artículo que le sigue en Monto)

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

                   quantity  total_amount
seller_name                              
Janel O'Curran          703  $ 192,832.47
Brockie Patience        441  $ 142,709.88
Oliviero Charkham       555  $ 141,329.76
Vasily Danilyuk         521  $ 129,157.55
Daisie Slograve         554  $ 120,520.11
Aveline Swanwick        629  $ 118,874.33
Arnold Kilkenny         583   $ 94,552.04
Kati Innot              512   $ 83,704.62
Jase Doy                582   $ 80,628.31
Ewell Peres             496   $ 78,144.32
Onida Cosely            535   $ 77,373.37
Milly Christoffe        442   $ 61,733.69
Tobin Roselli           519   $ 56,984.42
Cornie Wynrehame        523   $ 52,253.57
Cirilo Grandham         470   $ 45,009.40

# RESOLUCIÓN GRÁFICA plt.bar(df_monto_vendedor_ord.index, df_monto_vendedor_ord['total_amount'], color ='peachpuff') sns.set_style('whitegrid',{"grid.color": ".6","patch.edgecolor": "yellow", "grid.linestyle": ":", "font":"calibri"}) plt.gcf().set_size_inches(10, 7) plt.title ("Mejor vendedor del mes", color='green', fontsize= 20) plt.xticks(rotation=75, ha="right",fontsize=13, color='royalblue') plt.yticks(fontsize=13, color='royalblue') plt.xlabel('Vendedor', color='green', fontsize=15) plt.ylabel('Monto Total($)', color='green',fontsize=15) plt.show()

Se considera mejor vendedor al que genera mayor monto total en sus operaciones. El mejor vendedor del mes fue Janel O'Curran cuyo monto fue de $ 192.832,47

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

week
1   $ 507,458.81
2   $ 415,364.44
3   $ 329,140.03
4   $ 223,844.56
Name: total_amount, dtype: float64

# RESOLUCIÓN GRÁFICA sns.barplot(y = df_venta_semanal['total_amount'], x=df_venta_semanal.index, palette='Set2') sns.set_style('whitegrid',{"grid.color": ".6","patch.edgecolor": "yellow", "grid.linestyle": ":", "font":"calibri"}) plt.title ("Ventas por semanas", color='mediumvioletred', fontsize= 20) plt.xticks(range(0,5,1),fontsize=13, color='royalblue') plt.yticks(fontsize=13, color='royalblue') plt.xlabel('Semanas del mes', color='mediumvioletred', fontsize=15) plt.ylabel('Monto de ventas ($)', color='mediumvioletred',fontsize=15) plt.show()

Según lo que observamos en el gráfico, los mayores consumos se producen en la primera semana del año y luego van disminuyendo. Esto se puede relacionar con el momento del mes en el que, normalmente, las personas cuentan con mayor cantidad de dinero disponible por recibir el sueldo.

La promoción debería lanzarse en la semana 4 del mes. En esta semana se cuenta con menor cantidad de dinero disponible del mes (tomando siempre que el cobro es mensual), pero se está próximo a recibir el próximo salario, por lo que poniendo una promoción se puede incentivar a que el excedente de dinero del mes se emplee en comprar estos artículos.

# RESOLUCIÓN df_order_pais_SUM = my_df.groupby(by='country_name').sum().sort_values('total_amount') plt.gcf().set_size_inches(8, 8) plt.title ("Relacion entre monto y cantidades", color='purple', fontsize= 20) plt.xticks(ha="right",fontsize=12, color='royalblue') plt.yticks(fontsize=12, color='royalblue') plt.xlabel('cantidad', color='purple', fontsize=12) plt.ylabel('Monto Total ($)', color='purple',fontsize=12) sc=sns.scatterplot(y="total_amount",x="quantity",data=df_order_pais_SUM,hue="country_name", palette="colorblind") plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left', borderaxespad=0,title="Países")

f_order_pais_SUM2 = df_order_pais_SUM.copy() df_order_pais_SUM2 = df_order_pais_SUM2.assign(precio_promedio = df_order_pais_SUM2['total_amount']) #for i in range(len(df_order_pais_SUM2.index)): df_order_pais_SUM2['precio_promedio'] = df_order_pais_SUM2['total_amount']/df_order_pais_SUM2['quantity'] sns.boxplot(df_order_pais_SUM2['precio_promedio']) plt.xticks(range(0,600,50),fontsize=12, color='royalblue') plt.show()

/shared-libs/python3.9/py/lib/python3.9/site-packages/seaborn/_decorators.py:36: FutureWarning: Pass the following variable as a keyword arg: x. From version 0.12, the only valid positional argument will be `data`, and passing other arguments without an explicit keyword will result in an error or misinterpretation.
  warnings.warn(

Existe cierta correlación entre estas dos variables para cada país. Esto lo podemos observar a partir del gráfico. En el mismo se ve que los puntos marcados pueden ajustarse a una recta.

Se puede observar que a pesar de que haya países con montos totales muy elevados, el precio promedio de los productos adquiridos (que lo podemos calcular dividiendo el monto total por la cantidad), en general, es similar entre ellos. Esto también lo podemos ver en el segundo gráfico, que nos indica que solo existe un valor anómalo que es el de El Salvador.

# RESOLUCIÓN my_df_quincena1=my_df[(my_df['week'] == 1)+(my_df['week'] == 2)] my_df_quincena1 = my_df_quincena1.rename(columns={'order_id':'order_id_Q1'}) cantidad_ordenes_por_pais1= my_df_quincena1.groupby(by='country_name').count().sort_values('order_id_Q1') my_df_quincena2=my_df[(my_df['week'] == 3)+(my_df['week'] == 4)] my_df_quincena2 = my_df_quincena2.rename(columns={'order_id':'order_id_Q2'}) cantidad_ordenes_por_pais2= my_df_quincena2.groupby(by='country_name').count().sort_values('order_id_Q2') df_quincena = pd.merge(cantidad_ordenes_por_pais1,cantidad_ordenes_por_pais2,on='country_name', how='left') sns.set_style('whitegrid',{"patch.edgecolor": "yellow", "grid.linestyle": ":", "font":"calibri"}) plt.gcf().set_size_inches(7, 6) plt.title ("Pedidos realizados por pais", color='k', fontsize= 20) plt.xlabel('pais', color='k', fontsize=15) plt.ylabel('pedidos', color='k',fontsize=15) plt.xticks(rotation=60, ha="right",fontsize=13, color='royalblue') plt.yticks(fontsize=13, color='royalblue') p1 = plt.bar(df_quincena.index, df_quincena['order_id_Q1'], label='quincena1', color='plum', width = 0.8) p2 = plt.bar(df_quincena.index, df_quincena['order_id_Q2'], bottom=df_quincena['order_id_Q1'], label='quincena2', color='turquoise',width = 0.8) plt.legend() sns.jointplot(x='order_id_Q1', y='order_id_Q2', data = df_quincena)

/shared-libs/python3.9/py/lib/python3.9/site-packages/pandas/core/computation/expressions.py:204: UserWarning: evaluating in Python space because the '+' operator is not supported by numexpr for the bool dtype, use '|' instead
  warnings.warn(
/shared-libs/python3.9/py/lib/python3.9/site-packages/pandas/core/computation/expressions.py:204: UserWarning: evaluating in Python space because the '+' operator is not supported by numexpr for the bool dtype, use '|' instead
  warnings.warn(

La diferencia entre ambas quincenas es muy marcada siendo siempre la primera quincena la elegida para realizar las operaciones (exceptuando Bolivia que mas operaciones realizadas en la segunda quincena y los casos de Chile y Uruguay cuyos valores son iguales para ambos periodos.)

my_df_brasil= my_df[(my_df['country_name'] == 'Brazil')] y=my_df_brasil.groupby(['article_name']).sum().sort_values('total_amount',ascending=False) print(y['total_amount'].head(5)) plt.xticks(rotation=90) plt.bar(y.index, y['total_amount'],color='b', width = 0.8)

article_name
Full Pc      $ 134,052.03
Notebook      $ 83,000.00
Smartphone    $ 41,475.00
Chair         $ 37,591.68
Tablet        $ 20,280.00
Name: total_amount, dtype: float64

# RESOLUCIÓN my_df_brasil_Pc = my_df[(my_df['country_name'] == 'Brazil') & (my_df['article_name'] == 'Full Pc')] y=my_df_brasil_Pc.groupby(['seller_name']).sum().sort_values('total_amount', ascending=False) print(y['total_amount'].head(5)) my_df_brasil_Pc.groupby(['seller_name']).sum().sort_values('total_amount').plot(kind='pie', y='total_amount', autopct='%2.0f%%', colors = ['plum', 'pink', 'steelblue','orange','purple','green','yellow','teal','hotpink'], figsize= (9,9), labeldistance=None, startangle=90,counterclock=False, frame=True, ) plt.title ("Ventas de Full Pc en Brasil por vendedor", color='k', fontsize= 20) plt.legend(loc='upper left')

seller_name
Aveline Swanwick   $ 40,428.39
Daisie Slograve    $ 25,533.72
Janel O'Curran     $ 19,150.29
Arnold Kilkenny    $ 17,022.48
Vasily Danilyuk    $ 17,022.48
Name: total_amount, dtype: float64

El producto con mayores ganancias en Brasil es Full Pc y los mayores vendedores del mismo son: Aveline Swanwick, Daisie Slograve, Janel O'Curran, Arnold Kilkenny y Vasily Danilyuk.

Se puede observar gran disparidad entre las operaciones generadas por los países. Brasil tiene más de 300 ventas realizadas y el que le sigue, Perú, apenas pasa las 120 ventas.

También ocurre esta diferencia en las ganancias generadas por los productos. El artículo Full Pc tiene más del doble de ganancia que Netbook que se encuentra segundo en la tabla. En el caso analizado de Brasil, se mantiene Full Pc como artículo más vendido.

Entre los vendedores se destaca Janel O'Curran, aunque se encuentra en tercera ubicación en ventas de Full Pc en Brasil.

Si analizamos las semanas, los montos disminuyen a lo largo del mes. En cuanto a la cantidad de pedidos por país, se mantiene la tendencia de ser mayores en la primer quincena y bajar en la segunda (con excepción de Bolivia).

Por último, aunque las cantidades y los precios unitarios de los productos son muy dispares, existe una correlación entre los montos totales y las cantidades por países.

Se realizan las siguientes propuestas:

1-Realizar ofertas en la segunda parte del mes para aumentar las ventas de ese periodo. Sería conveniente promocionar el artículo Full Pc ya que genera grandes ganancias.

2-Analizar los factores que llevan a Janel O'Curran a destacarse entre los vendedores.

3-Dejar de vender artículos como Sata Cable y Usb Cable que son los que generan menores ingresos, aunque se encuentran en el medio en cuanto a cantidad de ventas. Esto puede generar grandes gastos administrativos y no obtener grandes ganancias.