# 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 # para que levante bien el excel import matplotlib.pyplot as plt import seaborn as sns

# Levanto los datos en 3 diferentes dataframes # Artículos 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 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)

# 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)

# 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)

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

# 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 idArticulo = my_df.loc[i]['article_id'] nombreArticulo = df_articles.loc[idArticulo]['article_name'] # se lo asigno a la columna correspondiente my_df.loc[i,'article_name'] = nombreArticulo # hago lo mismo en un solo paso para la columna de total_amount precioArticulo = df_articles.loc[idArticulo]['unit_price'] cantArticulo = my_df.loc[i]['quantity'] my_df.loc[i,'total_amount'] = precioArticulo * cantArticulo # columna de seller_name idVendedor = my_df.loc[i]['seller_id'] nombreVendedor = df_sellers.loc[idVendedor]['seller_name'] my_df.loc[i,'seller_name'] = nombreVendedor # elimino las columnas que no necesito my_df.drop(['order_id', 'article_id', 'seller_id'], axis = 'columns', inplace=True) print(my_df)

# 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))

# 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))

# 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'])

# 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=0.5, color="grey") plt.show()

# RESOLUCIÓN ANALÍTICA df4 = (my_df.groupby(by='seller_name').sum()).sort_values('total_amount',ascending=False) print(df4[['quantity']+['total_amount']])

# RESOLUCIÓN GRÁFICA plt.bar(df4.index,df4['total_amount'], color="grey") 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'])

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

# RESOLUCIÓN ANÁLITICA # Se crea un DF que contenga los totales de los países, ordenados de mayor a menor compras = my_df.groupby('country_name').sum().sort_values('total_amount', ascending=False) # Crear un pandas series "top5" que almacene los 5 primeros países top5 = compras['total_amount'].head() # agrupo los totales de los paises que no forman el top 5 (para mejorar la grafica posterior) acu = 0.0 # Utilizo un for para realizar esta agrupacion for p in range(5, len(compras)): acu += compras['total_amount'][p] # Agrego el nuevo valor a la serie top5['Otros']= acu print(top5)

# RESOLUCIÓN GRÁFICA # Colores de las porciones colores = ['tab:blue', 'tab:gray', 'tab:red', 'tab:brown', 'tab:green', 'tab:orange' ] plt.pie(x=top5, labels=top5.index, autopct="%0.1f %%", colors=colores, shadow=False) plt.title('TOP 5 PAISES - COMPRAS EN EL MES ') plt.show()

# RESOLUCIÓN ANALITICA: # Previsualizar 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)

#RESOLUCIÓN GRAFICA plt.figure(figsize=(1,1)) sns.set_style("white") week_palette=sns.color_palette("hls",7) df_pivot = pd.pivot_table(df_final, index=df_final.index, columns='Semana',values='Ventas',aggfunc='sum') df_pivot.plot.bar(stacked=True, color=week_palette) plt.show()

# RESOLUCIÓN ANALÍTICA df7 = my_df.query('week==1').groupby(by='seller_name').sum().sort_values(by='quantity', ascending=False).head(3) print(df7['quantity'])

# RESOLUCIÓN GRÁFICA # Utilizamos "cv" que es un numpy array que contiene las unidades vendidas correspondiente a los 3 vendedores cv = df7['quantity'].values for i, ac in enumerate(cv): plt.annotate(ac, (df7.index[i],ac)) plt.bar(df7.index,df7['quantity'], color="grey") plt.title('VENDEDORES CON MAYOR VENTAS LA PRIMER SEMANA DEL MES') plt.xlabel('NOMBRE VENDEDOR') plt.ylabel(ylabel='UNIDADES VENDIDAS') plt.show()