Análisis de los 25 retailers más grandes de Estados Unidos
Proyecto de Yezid Garcia Medina
# Importar librerías aquí
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# Importar datos aquí
df = pd.read_csv('/work/largest_us_retailers.csv')
df.head()
Companyobject
Salesint64
0
Walmart US
658119
1
Kroger
115037
2
Costco
90048
3
Home Depot
83976
4
Walgreen Boots
78924
This chart is empty
Chart was probably not set up properly in the notebook
df.columns
df_sorted = df.sort_values('Sales', ascending=0)
df_sorted
Companyobject
Walmart US4%
Kroger4%
23 others92%
Salesint64
16592 - 658119
10
Sam's Club
56828
11
Apple incl. Online
37664
12
Best Buy
34980
13
Publix
34408
14
Rite Aid
27486
15
Ahold
26903
16
Macy's
26028
17
TJX
25012
18
Aldi
24402
19
Dollar General
22234
x = df_sorted['Company'][0:5] #Aplicamos slicing como en una lista de Python.
y = df_sorted['Sales'][0:5]
plt.bar(x, y)
plt.title('Top 5 retailers')
plt.xlabel('Company')
plt.ylabel('Sales')
plt.xticks(rotation='vertical') #Método que se usa para rotar el texto de los puntos en X para que no se amontonen.
plt.show()
I. Preguntas del negocio
df_dominante = df_sorted[df_sorted['Company'] == 'Walmart US']
df_dominante.head()
Companyobject
Salesint64
0
Walmart US
658119
df_no_dominante = df_sorted[df_sorted['Company'] != 'Walmart US']
df_no_dominante.head()
Companyobject
Salesint64
1
Kroger
115037
2
Costco
90048
3
Home Depot
83976
4
Walgreen Boots
78924
5
CVS incl. Target
77792
promedio_todo = df_sorted['Sales'].mean()
mediana_todo = df_sorted['Sales'].median()
promedio_dominante = df_dominante['Sales'].mean()
mediana_dominante = df_dominante['Sales'].median()
promedio_no_dominante = df_no_dominante['Sales'].mean()
mediana_no_dominante = df_no_dominante['Sales'].median()
print('VENTAS en $USD de todas las compañias --> promedio = %3.3f, mediana = %d' % (promedio_todo, mediana_todo))
boxplot_todo = sns.boxplot(x='Sales',hue= 'Company',data=df_sorted)
boxplot_todo.set_title('BoxPlot de Ventas $USD - Todas las empresas')
boxplot_todo
VENTAS en $USD de todas las compañias --> promedio = 71063.080, mediana = 34980
print('VENTAS en $USD de la compañia dominante --> promedio = %3.3f, mediana = %d' % (promedio_dominante, mediana_dominante))
boxplot_dominante = sns.boxplot(x='Sales',hue= 'Company',data=df_dominante)
boxplot_dominante.set_title('BoxPlot de Ventas $USD - Empresas Dominante: WallMart US')
boxplot_dominante
VENTAS en $USD de la compañia dominante --> promedio = 658119.000, mediana = 658119
print('VENTAS en $USD de las compañias No dominantes: promedio = %3.3f, mediana = %d' % (promedio_no_dominante, mediana_no_dominante))
boxplot_no_dominante = sns.boxplot(x='Sales',hue= 'Company',data=df_no_dominante)
boxplot_no_dominante.set_title('BoxPlot de Ventas $USD - Empresas No Dominantes')
boxplot_no_dominante
VENTAS en $USD de las compañias No dominantes: promedio = 46602.417, mediana = 34694
histo_sales_todo = df_sorted['Sales'].hist(bins=20)
histo_sales_todo.set_title('Histograma Ventas $USD - todas las empresas')
histo_sales_todo.set_xlabel('Ventas $USD')
histo_sales_todo.set_ylabel('# Empresas')
suma_sales_todo = df_sorted['Sales'].sum()
print('Suma Ventas en $USD de todas las empresas = %d '% suma_sales_todo)
df_sales_mayoria_empresas = df_sorted[ df_sorted['Sales'] < 100000 ]
numero_mayoria_empresas = df_sorted[ df_sorted['Sales'] < 100000 ].count()
print('# de Empresas (Mayoria de empresas que tuvieron ventas en $USD menores a 100000 ) = ' + str(numero_mayoria_empresas['Company']))
suma_subgrupo_sales_mayoria = df_sales_mayoria_empresas['Sales'].sum()
print('Suma Ventas en $USD (menor o igual a 100000) de sub-grupo mayoria de empresas = %d '% suma_subgrupo_sales_mayoria)
Suma Ventas en $USD de todas las empresas = 1776577
# de Empresas (Mayoria de empresas que tuvieron ventas en $USD menores a 100000 ) = 23
Suma Ventas en $USD (menor o igual a 100000) de sub-grupo mayoria de empresas = 1003421
histo_sales_mayoria_empresas = df_sales_mayoria_empresas['Sales'].hist(bins=10)
histo_sales_mayoria_empresas.set_title('Histograma Ventas $USD - mayoria de empresas')
histo_sales_mayoria_empresas.set_xlabel('Ventas $USD')
histo_sales_mayoria_empresas.set_ylabel('# Empresas')
suma_sales_mayoria = df_sales_mayoria_empresas['Sales'].sum()
print('Suma Ventas en $USD (menor o igual a 100000) de sub-grupo mayoria de empresas = %d '% suma_sales_mayoria)
numero_subgrupo_mayoria_empresas = df_sales_mayoria_empresas[ df_sales_mayoria_empresas['Sales'] <= 30000 ].count()
df_subgrupo_mayoria_empresas = df_sales_mayoria_empresas[ df_sales_mayoria_empresas['Sales'] <= 30000 ]
print('# de Empresas (Sub grupo - Mayoria de empresas, ventas en $USD menores e iguales a 30000 ) = ' + str(numero_subgrupo_mayoria_empresas['Company']))
suma_subgrupo_sales_mayoria = df_subgrupo_mayoria_empresas['Sales'].sum()
print('Suma Ventas en $USD (menor o igual a 30000) de sub-grupo mayoria de empresas = %d '% suma_subgrupo_sales_mayoria)
Suma Ventas en $USD (menor o igual a 100000) de sub-grupo mayoria de empresas = 1003421
# de Empresas (Sub grupo - Mayoria de empresas, ventas en $USD menores e iguales a 30000 ) = 11
Suma Ventas en $USD (menor o igual a 30000) de sub-grupo mayoria de empresas = 248766
df_stores_sorted = df.sort_values('Stores', ascending=0)
sns.displot(df_stores_sorted, x = 'Stores', hue = 'Company', multiple='stack')
no_stores = df_stores_sorted[ (df_stores_sorted['Stores'] > 0) == False]
print( 'Compañias con 0 tiendas fisicas o ninguna : Amazon y Apple Incl. Online' )
no_stores.head()
Compañias con 0 tiendas fisicas o ninguna : Amazon y Apple Incl. Online
df_stores_mayoria = df_stores_sorted[df_stores_sorted['Stores'] <= 3000]
displot_stores_mayoria = sns.displot(df_stores_mayoria, x = 'Stores', hue = 'Company', multiple='stack')
df_stores_mayoria.head()
boxplot_stores_mayoria = sns.boxplot(x='Stores',hue= 'Company',data=df_stores_mayoria)
boxplot_stores_mayoria.set_title('BoxPlot de Numero Tiendas - Mayoria Empresas')
boxplot_stores_mayoria
promedio_stores_mayoria = df_stores_mayoria['Stores'].mean()
mediana_stores_mayoria = df_stores_mayoria['Stores'].median()
print('STORES de la mayoria de las compañias --> promedio = %3.3f, mediana = %d' % (promedio_stores_mayoria, mediana_stores_mayoria))
STORES de la mayoria de las compañias --> promedio = 1328.625, mediana = 1315
# scatterplot - Ventas
scatter_sales = sns.scatterplot(data=df_sorted, x = 'Sales', y = 'Stores', hue = 'Company')
scatter_sales.set_title('ScatterPlot Ventas ------------------------------------------------')
# Tabla - Ventas Ordenada
df_sorted.head(5)
# scatterplot
scatter_stores = sns.scatterplot(data=df_stores_sorted, x = 'Stores', y = 'Sales', hue = 'Company')
scatter_stores.set_title('ScatterPlot Tiendas ------------------------------------------------')
# tabla - Tiendas ordenadas
df_stores_sorted.head(5)
df_sorted.head(24)
Companyobject
Walmart US4.2%
Kroger4.2%
22 others91.7%
Salesint64
18201 - 658119
0
Walmart US
658119
1
Kroger
115037
2
Costco
90048
3
Home Depot
83976
4
Walgreen Boots
78924
5
CVS incl. Target
77792
6
Amazon
71687
7
Target
71208
8
Lowe's
60311
9
Albertsons
56829
10
Sam's Club
56828
11
Apple incl. Online
37664
12
Best Buy
34980
13
Publix
34408
14
Rite Aid
27486
15
Ahold
26903
16
Macy's
26028
17
TJX
25012
18
Aldi
24402
19
Dollar General
22234
20
Dollar Tree
21464
21
HEB
21384
22
Kohl's
19060
23
Delhaize
18201
maximo_ventas = df_sorted['Sales'].max()
maximo_compañia = df_sorted['Company'][0]
minimo_ventas = df_sorted['Sales'].min()
minimo_compañia = df_sorted['Company'][23]
rango_ventas = maximo_ventas - minimo_ventas
print('Máximo en Ventas ($USD) = {0} , de la compañia: {1}'.format(maximo_ventas, maximo_compañia))
print('Mínimo en ventas ($USD) = {0} , de la compañia: {1}'.format(minimo_ventas, minimo_compañia))
print('Rango de ventas ($USD) = {0}'.format(rango_ventas))
Máximo en Ventas ($USD) = 658119 , de la compañia: Walmart US
Mínimo en ventas ($USD) = 16592 , de la compañia: Delhaize
Rango de ventas ($USD) = 641527
# df_sorted : listado ordenado de ventas
df_top5_ventas = df_sorted['Company'][0:5]
df_top5_ventas.head()
# df_sorted : listado ordenado de tiendas
df_top5_tiendas = df_stores_sorted['Company'][0:5]
df_top5_tiendas.head()
print("Las siguientes son las empresas que cumplen top 5 en mayor ventas y top 5 en mayor numero de tiendas:")
for key1 in df_top5_tiendas.keys():
for key2 in df_top5_ventas.keys():
if key1 == key2:
empresa_igual = df_top5_ventas[key1]
print(empresa_igual)
Las siguientes son las empresas que cumplen top 5 en mayor ventas y top 5 en mayor numero de tiendas:
Walgreen Boots
Walmart US
df_categorias_sorted = df.sort_values('Category', ascending=1)
df_categorias_sorted.head()
Companyobject
Salesint64
17
TJX
25012
22
Kohl's
19060
16
Macy's
26028
19
Dollar General
22234
20
Dollar Tree
21464
barplot_category = sns.barplot(data=df_categorias_sorted, x = 'Category', y = 'Sales')
barplot_category.set_xticklabels(barplot_category.get_xticklabels(),rotation = 90, size = 10)
barplot_category.set_title('Ventas por Categoria')
compañia_categoria = df_categorias_sorted[(df_categorias_sorted['Category']=='Supercenters') == True]
compañia_categoria.head()
Companyobject
Salesint64
0
Walmart US
658119
7
Target
71208
24
Meijer
16592
compañias_top5 = df_stores_sorted[3:5]
compañias_top5.head()
Companyobject
Salesint64
4
Walgreen Boots
78924
0
Walmart US
658119
scatterplot_top5 = sns.scatterplot(data=compañias_top5, x = 'Sales', y = 'Stores', hue = 'Company')
scatterplot_top5.set_title('Scatter Plot, empresas con mayor número ventas y número tiendas')
print("Tiendas que solo operan online, que no tienen tiendas fisicas")
no_stores.head()
Tiendas que solo operan online, que no tienen tiendas fisicas
Companyobject
Salesint64
6
Amazon
71687
11
Apple incl. Online
37664
x1 = no_stores['Company'] #Aplicamos slicing como en una lista de Python.
y1 = no_stores['Sales']
plt.bar(x1, y1)
plt.title('Ventas Empresas que No tienen Tiendas Fisicas')
plt.xlabel('Company')
plt.ylabel('Sales')
plt.show()
promedio_ventas = df_sorted['Sales'].mean()
mediana_ventas = df_sorted['Sales'].median()
print('promedio ventas: %3.3f , mediana ventas: %3.3f ' % (promedio_ventas ,mediana_ventas ) )
ventas_amazon = no_stores[no_stores['Company'] == 'Amazon']
ventas_apple_online = no_stores [no_stores['Company'] == 'Apple incl. Online']
print('ventas Amazon: %3.3f , ventas Apple incl. Online: %3.3f ' % (ventas_amazon['Sales'] ,ventas_apple_online['Sales'] ) )
if promedio_ventas <= float(ventas_amazon['Sales']) :
print('Amazon tuvo ventas mayores o iguales al promedio en ventas')
else:
print('Amazon tuvo ventas menores al promedio de ventas')
if promedio_ventas <= float(ventas_apple_online['Sales']):
print('Apple incl. Online tuvo ventas mayores o iguales al promedio en ventas')
else:
print('Apple incl. Online tuvo ventas menores al promedio en ventas')
if mediana_ventas <= float(ventas_amazon['Sales']):
print('Amazon tuvo ventas mayores o iguales a la mediana en ventas')
else:
print('Amazon tuvo ventas menores a la mediana en ventas')
if mediana_ventas <= float(ventas_apple_online['Sales']):
print('Apple incl. Online tuvo ventas mayores o iguales a la mediana en ventas')
else:
print('Apple incl. Online tuvo ventas menores a la mediana en ventas')
promedio ventas: 71063.080 , mediana ventas: 34980.000
ventas Amazon: 71687.000 , ventas Apple incl. Online: 37664.000
Amazon tuvo ventas mayores o iguales al promedio en ventas
Apple incl. Online tuvo ventas menores al promedio en ventas
Amazon tuvo ventas mayores o iguales a la mediana en ventas
Apple incl. Online tuvo ventas mayores o iguales a la mediana en ventas
stores_fisicas = df_stores_sorted[ (df_stores_sorted['Stores'] > 0) == True]
stores_fisicas.head(30)
Companyobject
Dollar Tree4.3%
Dollar General4.3%
21 others91.3%
Salesint64
16592 - 658119
20
Dollar Tree
21464
19
Dollar General
22234
5
CVS incl. Target
77792
4
Walgreen Boots
78924
0
Walmart US
658119
14
Rite Aid
27486
1
Kroger
115037
17
TJX
25012
9
Albertsons
56829
18
Aldi
24402
3
Home Depot
83976
8
Lowe's
60311
7
Target
71208
12
Best Buy
34980
13
Publix
34408
23
Delhaize
18201
22
Kohl's
19060
16
Macy's
26028
15
Ahold
26903
10
Sam's Club
56828
2
Costco
90048
21
HEB
21384
24
Meijer
16592
df_growth_sorted = stores_fisicas.sort_values('Store Count Growth', ascending=1)
df_growth_sorted.head()
Companyobject
Salesint64
23
Delhaize
18201
9
Albertsons
56829
12
Best Buy
34980
4
Walgreen Boots
78924
7
Target
71208
barplot_growth = sns.barplot(data=df_growth_sorted, x='Company', y = 'Store Count Growth')
barplot_growth.set_xticklabels(barplot_growth.get_xticklabels(),rotation = 90, size = 10)
barplot_growth.set_title('Empresas por crecimiento en tiendas')
menor_crecimiento = df_growth_sorted['Store Count Growth'].min()
mayor_crecimiento = df_growth_sorted['Store Count Growth'].max()
empresa_menor = df_growth_sorted[(df_growth_sorted['Store Count Growth'] == menor_crecimiento ) == True]
empresa_mayor = df_growth_sorted[(df_growth_sorted['Store Count Growth'] == mayor_crecimiento ) == True]
def valordato (dato):
for key1 in dato.keys():
valor1 = dato[key1]
return valor1
print('Empresa con menor crecimiento en tiendas = {0} , con valor de = {1}'.format( valordato(empresa_menor['Company']) ,menor_crecimiento) )
print('Empresa con mayor crecimiento en tiendas = {0} , con valor de = {1}'.format( valordato(empresa_mayor['Company']) ,mayor_crecimiento) )
Empresa con menor crecimiento en tiendas = Delhaize , con valor de = -0.05951506245
Empresa con mayor crecimiento en tiendas = CVS incl. Target , con valor de = 0.2556621881
df_sales_store_avg = df.sort_values('Sales/Avg. Store', ascending=1)
df_sales_store_avg.head(25)
Companyobject
Dollar Tree4%
Dollar General4%
23 others92%
Salesint64
16592 - 658119
20
Dollar Tree
21464
19
Dollar General
22234
14
Rite Aid
27486
5
CVS incl. Target
77792
17
TJX
25012
4
Walgreen Boots
78924
18
Aldi
24402
23
Delhaize
18201
22
Kohl's
19060
9
Albertsons
56829
12
Best Buy
34980
13
Publix
34408
1
Kroger
115037
16
Macy's
26028
8
Lowe's
60311
15
Ahold
26903
7
Target
71208
3
Home Depot
83976
0
Walmart US
658119
21
HEB
21384
24
Meijer
16592
10
Sam's Club
56828
2
Costco
90048
6
Amazon
71687
11
Apple incl. Online
37664
histograma_sales_store_avg = df_sales_store_avg['Sales/Avg. Store'].hist(bins=20)
boxplot_sales_store_avg = sns.boxplot(x='Sales/Avg. Store',hue= 'Company',data=df_sales_store_avg)
df_categorias_sorted.head()
Companyobject
Salesint64
17
TJX
25012
22
Kohl's
19060
16
Macy's
26028
19
Dollar General
22234
20
Dollar Tree
21464
categoria_moda = valordato(df_categorias_sorted['Category'].mode())
print('La categoría que más se repite o la moda, es: ' + categoria_moda)
La categoría que más se repite o la moda, es: Grocery
df_compañia_categoria_moda = df_categorias_sorted[(df_categorias_sorted['Category']==categoria_moda ) == True]
df_compañia_categoria_moda.head(10)
Companyobject
Salesint64
23
Delhaize
18201
13
Publix
34408
21
HEB
21384
15
Ahold
26903
1
Kroger
115037
18
Aldi
24402
9
Albertsons
56829
barplot_moda = sns.barplot(data=df_compañia_categoria_moda.sort_values('Sales', ascending=1), x = 'Company', y = 'Sales')
barplot_moda.set_xticklabels(barplot_moda.get_xticklabels(),rotation = 90, size = 10)
barplot_moda.set_title('Ventas por Categoria Moda "' + categoria_moda + '"')
boxplot_moda = sns.boxplot(x='Sales',hue= 'Company',data=df_compañia_categoria_moda)
boxplot_moda.set_title ('Boxplot de Ventas por Empresas de Categoria "' + categoria_moda +'"')
ventas_promedio_moda = df_compañia_categoria_moda['Sales'].mean()
print('ventas promedio de la categoria "'+ categoria_moda+ '" = ' + str(ventas_promedio_moda) + " $USD")
ventas promedio de la categoria "Grocery" = 42452.0 $USD