# A veces necesitamos instalar nuevas librerías en nuestros proyectos
!pip install openpyxl==3.0.10
Requirement already satisfied: openpyxl==3.0.10 in /root/venv/lib/python3.9/site-packages (3.0.10)
Requirement already satisfied: et-xmlfile in /root/venv/lib/python3.9/site-packages (from openpyxl==3.0.10) (1.1.0)
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 funcione correctamente el excel
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')
# Exploración del df de artículos
print('Muestra de datos')
print(df_articles.head())
print('\nFormato del dataframe')
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)
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)
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 dataframe')
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 dataframe
(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('\nBusqueda 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)
Busqueda 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 indice de df de articulos
df_articles.set_index('article_id', inplace = True)
#Agrego algunas columnas y pongo el campo que me va a servir de ancla
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)):
#len(my_df.index) nos da la cantidad de registros
#busco el nombre del articulo y le asigno una variable
#como df_articles esta indexado por aricle_id, lo uso para ubicarme en el registro buscado
#SINTAXIS: df_articles.loc[indice][columna]
#[indice] va a ser el dato que obtengo de my_df.loc[i][article_id]
#tomo registro a registro el article_id y extraigo el nombre del articulo
article = df_articles.loc[my_df.loc[i]['article_id']]['article_name']
#se lo asigno a la columna correspondiente
my_df.loc[i, 'article_name'] = article
#hago lo mismo en un solo paso para la columna de 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 del 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
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]
# 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
df2 = (my_df.groupby(by = 'article_name').sum()).sort_values('total_amount',ascending=False).head(5)
print(df2['total_amount'])
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 Voy a tomar solo los 5 primeros articulos que mas ingresos nos dieron
#No puedo hacer una comparativa ni porcentajes porque no tome el total de los datos
#plt.pie(x = df2['total_amount'], labels = df2.index)
#plt.show()
#Veremos mejor en un grafico de barras, los 5 primeros articulos que mas ingresos nos dieron en el mes:
plt.barh(df2.index, df2['total_amount'], height = 0.6)
plt.show()
# RESOLUCIÓN ANALÍTICA
df4 = (my_df.groupby(by = 'seller_name').sum()).sort_values('total_amount', ascending=False)
print(df4[['quantity']+['total_amount']])
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
Aveline Swanwick 629 118874.33
Arnold Kilkenny 583 94552.04
Kati Innot 512 83704.62
Jase Doy 582 80628.31
Ewell Peres 496 78144.32
Onida Cosely 535 77373.37
Milly Christoffe 442 61733.69
Tobin Roselli 519 56984.42
Cornie Wynrehame 523 52253.57
Cirilo Grandham 470 45009.40
# 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)
quantity total_amount
week
1 2449 507458.81
2 2444 415364.44
3 2114 329140.03
4 1058 223844.56
# RESOLUCIÓN GRÁFICA
plt.bar(df5.index, df5['total_amount'])
plt.show()
#Se observa una clara disminucion de ventas a lo largo de las cuatro semanas del mes.
#Se podria lanzar una campana de promocion en la tercer semana, para comenzar a equiparar
#las ventas en las dos ultimas semanas con respecto a las dos primeras.
# RESOLUCIÓN
#Cuales son los cinco paises con mas ventas?
sumar_paises_df = my_df.groupby('country_name').sum()
top_five_paises = sumar_paises_df.sort_values('total_amount', ascending=False).head(5)
print(top_five_paises)
week quantity total_amount
country_name
Brazil 717 2515 441271.85
Argentina 241 947 205832.78
Colombia 230 881 177514.29
Peru 266 1027 161421.12
Mexico 237 846 138619.99
# RESOLUCIÓN
#Cual es la semana de mayor venta por cada pais?
#Maquetar el DF final
#Pais Semana Ventas
#Pais1 4 monto
#Pais2 3 monto
#1- Obtener total x semana x pais
df_pais_semana = my_df.groupby(['country_name', 'week']).sum()
#print(df_pais_semana)
#2- Obtener la lista de paises
paises = my_df.groupby('country_name').sum().index.values
#print(paises)
#3- Creo el DF final
df_final = pd.DataFrame(columns = ['Semana', 'Ventas'], index=paises)
#print(df_final)
#4- Procesar el DF df_pais_semana y obtener las ventas maximas x semana y guardarlas en df_final
for p in paises:
df = df_pais_semana.loc[p]
v = df.max()['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)
g = sns.barplot(data = df_final, x = df_final.index, y = 'Ventas', hue = 'Semana')
g.set_xticklabels(labels=df_final.index, rotation = 90)
plt.show()
Semana Ventas
Argentina 2 96789.13
Bolivia 1 13033.19
Brazil 1 165289.9
Chile 2 12876.41
Colombia 3 69473.9
Costa Rica 2 27962.3
Ecuador 2 12085.96
El Salvador 3 31917.15
Guatemala 4 27770.08
Honduras 1 24953.09
Mexico 1 58549.25
Paraguay 2 5669.0
Peru 2 56591.8
Puerto Rico 1 1256.58
Uruguay 2 14562.58
Venezuela 1 54262.85
# RESOLUCIÓN
# Que pais vendio menos HDD?
print("\nPais que vendio menos HDD")
pais_menos_HDD = my_df.groupby(by=['article_name', 'country_name']).sum().query('article_name == "HDD"').sort_values(by='quantity', ascending=True)
print(pais_menos_HDD['quantity'].head(1))
Pais que vendio menos HDD
article_name country_name
HDD Guatemala 6
Name: quantity, dtype: int64