Análisis de los 25 retailers más grandes de Estados Unidos

# 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_retail.csv') df

I. Preguntas del negocio

Se puede observar rápidamente en el dataframe mostrado mas arriba, que la compañía dominante es Walmart US, ya que sus ventas son muy diferentes a las ventas de sus competidores. Po lo tanto, se omitirá esta información para este análisis.

#Ordenando las ventas de mayor a menor df_sorted = df.sort_values('Sales', ascending = 0) #Filtrando a la compañia dominante (Walmart US) df_without_Walmart = df_sorted.drop(0) #Extrayendo la columna de Ventas df_sales_without_Walmart = df_without_Walmart['Sales'] #Calculando el promedio de ventas mean_sales = round(df_sales_without_Walmart.mean(),2) print(f"El promedio de ventas eliminando a la empresa dominante es igual a {mean_sales} millones de USD")

#Graficando las ventas por compañia sin Walmart US sns.barplot(data=df_without_Walmart, x = 'Sales', y='Company').set_title("Companies Sales")

Se considerará 'mayoría' a aquellas empresas que no tengas valores atípicos , se identificaran dichos valores considerando el criterio de medidas de dispersión, específicamente, tomando como valor máximo al valor resultante de la suma entre el cuartil 3 (Q3) mas 1.5 veces el rango inter-cuartil (IQR).

Además se conoce que el valor de ventas de Walmart US es un valor extremadamente atípico y es por ello que se omitirá nuevamente dicho valor y compañía para este análisis.

#Graficamos el histograma de la columna 'Sales' sin considerar las ventas de Walmart US sns.displot(df_without_Walmart['Sales'],kde = True)

#Mediana y desviacion estandar median_sales = df_without_Walmart['Sales'].median() std_sales = round(df_without_Walmart['Sales'].std(),2) #Cuartiles Q1 = df_without_Walmart['Sales'].quantile(q=0.25) Q2 = df_without_Walmart['Sales'].quantile(q=0.5) Q3 = df_without_Walmart['Sales'].quantile(q=0.75) Q4 = df_without_Walmart['Sales'].quantile(q=1) #Rango intercuartil IQR = Q3-Q1 #Outliers, si es un dato es mayor a Q3+1.5*IQR limite_outlier = Q3+1.5*IQR print(f""" La mediana es: {median_sales} La desviación estandar es: {std_sales} El Q1 es: {Q1} El Q2 es: {Q2} El Q3 es: {Q3} El Q4 es: {Q4} El limite para outliers es: {limite_outlier} """)

Para esta sección se tomará la información de compañías y numero de tiendas, sin embargo, al visualizar la información de la columna 'Stores' se observa que existen valores vacíos, estos valores causarán problemas a numpy y pandas al momento de trabajar con dicha informaciónccz , es por ello que primero debemos convertir dichos datos en valores numéricos iguales a 0, haciendo este arreglo, las librerías en mención, no tendrán ningún problema en ejecutar operaciones con estas celdas.

#Eliminamos los valores vacios df2= df.replace(np.nan,0)

#Ordenando el dataframe por tiendas df2 = df2.sort_values('Stores',ascending = 0) #Visualizando la cantidad de tiendas por compañia sns.barplot(data=df2, x='Stores', y='Company').set_title("Cantidad de tiendas por compañia")

#Histograma de la cantidad de tiendas sns.histplot(df2, x = 'Stores', kde=True)

#Creamos un bucle para eliminar los valores atípicos automaticamente Q4 = 1 limite_outlier = 0 contador = 1 while Q4 > limite_outlier: contador += 1 #Mediana y desviacion estandar median_sales = df2['Stores'].median() std_sales = round(df2['Stores'].std(),2) #Cuartiles Q1 = df2['Stores'].quantile(q=0.25) Q2 = df2['Stores'].quantile(q=0.5) Q3 = df2['Stores'].quantile(q=0.75) Q4 = df2['Stores'].quantile(q=1) #Rango intercuartil IQR = Q3-Q1 #Outliers, si es un dato es mayor a Q3+1.5*IQR limite_outlier = Q3+1.5*IQR if Q4 > limite_outlier: #Tomamos los indices donde los valores de 'Stores' sean mayores al límite indexes = df2[ df2['Stores'] >= limite_outlier].index #Eliminamos segun nuestro limite de outliers df2.drop(indexes , inplace=True) #Ordenamos df2.sort_values('Stores', ascending=0) print(f""" Despues de {contador} iteraciones el resultado final muestra: La mediana es: {median_sales} La desviación estandar es: {std_sales} El Q1 es: {Q1} El Q2 es: {Q2} El Q3 es: {Q3} El Q4 es: {Q4} El limite para outliers es: {limite_outlier} """)

#Graficamos el histograma final sns.histplot(df2, x = 'Stores', kde = True)

Para relacionar un valor numérico con otros valores numéricos, se utilizarán gráficas de dispersión, línea de tendencia e histogramas. Con todas estas herramientas se podrán concluir datos interesantes para el análisis.

#Primero construimos el dataset que sea adecuado para este analisis df3 = df.replace(np.nan,0).drop(0) df3.head()

#Grafica de dispersion con linea de tendencia sns.jointplot(x = 'Stores', y = 'Sales', data=df3, kind = 'reg', color = 'c')

#Construimos nuestra base de datos df4 = df

#Calculando el rango de ventas Q4 = 1 limite_outlier = 0 contador = 1 while Q4 > limite_outlier: contador += 1 #Mediana y desviacion estandar median_sales = df4['Sales'].median() std_sales = round(df4['Sales'].std(),2) #Cuartiles Q1 = df4['Sales'].quantile(q=0.25) Q2 = df4['Sales'].quantile(q=0.5) Q3 = df4['Sales'].quantile(q=0.75) Q4 = df4['Sales'].quantile(q=1) #Rango intercuartil IQR = Q3-Q1 #Outliers, si es un dato es mayor a Q3+1.5*IQR limite_outlier = Q3+1.5*IQR if Q4 > limite_outlier: #Tomamos los indices donde los valores de 'Stores' sean mayores al límite indexes = df4[ df4['Sales'] >= limite_outlier].index #Eliminamos segun nuestro limite de outliers df4.drop(indexes , inplace=True) #Ordenamos df4.sort_values('Sales', ascending=0) print(f""" Despues de {contador} iteraciones el resultado final muestra: La mediana es: {median_sales} La desviación estandar es: {std_sales} El Q1 es: {Q1} El Q2 es: {Q2} El Q3 es: {Q3} El Q4 es: {Q4} El limite para outliers es: {limite_outlier} """)

#El Rango sin eliminar valores atípicos estará comprendido entre df['Sales'].max() y df['Sales'].mix() rango2 = df['Sales'].max() - df['Sales'].min() print("El rango del valor de ventas sin filtrar valores atípicos es:",rango2)

#El Rango sin valores atípicos estará comprendido entre el valor máximo (Q4) y el valor mínimo df['Sales'].min() rango = Q4 - df4['Sales'].min() print("El rango del valor de ventas despues de filtrar valores atípicos es:",rango)

Primero se ordenará el dataframe respecto al numero de tiendas y se tomarán los 5 valores mas altos, luego, se ordenará nuevamente el dataframe respecto a sus ventas. Finalmente se tomarán todas las coincidencias que existan segun la columna 'Company', estas serán las empresas que se encuentran en ambos TOP 5.

#1- Ordenamos el df segun numero de tiendas df_tiendas = df.sort_values('Stores', ascending=0) df_tiendas = df_tiendas.head() df_tiendas

#Graficamos las 5 empresas con mas tiendas físicas sns.barplot(data=df_tiendas, x='Stores', y = 'Company').set_title('Top 5 compañías con mas tiendas')

#2- Ordenamos el df segun ventas df_ventas = df.sort_values('Sales', ascending=0) df_ventas = df_ventas.head() df_ventas

#Graficamos las 5 empresas con mas ventas sns.barplot(data=df_ventas, x='Sales', y = 'Company').set_title('Top 5 compañías con mas ventas')

#Empresas que mas tiendas fisicas y venta tienen. df_ventas_tiendas = pd.merge(df_tiendas,df_ventas,how = 'inner') df_ventas_tiendas

sns.scatterplot(x='Stores', y='Sales', data=df_ventas_tiendas, hue = 'Company').set_title('Top 2 compañías con mas tiendas físicas y mas ventas')

Para visualizar las categorías que más ventas generaron, se realizará un gráfico de barras de Ventas en función a la Categoría, la visualización será fácil y las conclusiones de esta pregunta resueltas inmediatamente.

#Graficamos ventas por categorias df7 = df.groupby(['Company','Category','Sales']).size() df7 = df7.reset_index() df7 = pd.pivot_table(df7, columns = 'Company', index = 'Category', values = 'Sales') df7.plot(ylabel = 'Sales',kind = 'bar', stacked = True, legend=False, width=0.4).set_title('Ventas por categoria')

#Filtramos la categoria df8 = df['Category']=='Supercenters' df8 = df[df8] df8

#Calculando la sumatoria suma = df8['Sales'].sum() print("Las ventas totales de la categoria con mas ventas es",suma)

En esta sección se tomará la información de la columna 'Sales/Avg. Store' que representa las ventas promedio por tiendas de cada compañia.

sns.barplot(data=df, y='Company',x='Sales/Avg. Store').set_title('Ventas promedio por tiendo en funcion a la compañia')

#Preguntamos al dataframe el valor máximo para conocer la cantidad df['Sales/Avg. Store'].max()

Se puede citar a la pregunta N° 3, donde se conoció que existen solo dos compañías que realizan ventas online, estas son; Apple incl. Online y Amazon. Antes de cualquier análisis es necesario recordar que la columna 'Stores' tiene valores vacíos, es por ello que primero se rellenarán dichos vacíos con valores nulos .Para validar la información, se filtrará el dataframe según cantidad de tiendas y se tomarán las únicas que no tengan tiendas físicas.

#Reemplazamos los valores vacios por 0 en 'Stores' y creamos el df9 df9 = df.replace(np.nan,0) df9 = df9.sort_values('Stores',ascending = 1) df9 = df9.head(2) df9

#Grafica valor de ventas de compañias con tiendas online sns.barplot(data=df9, x='Sales', y = 'Company').set_title('Ventas de compañias online')

#Compañía y ventas de todas las empresas, sin considerar a Walmart US. df8 = df.drop(0) df8 = df8.replace(np.nan,0) df8 = df8.sort_values('Stores',ascending=1) sns.barplot(data=df8, x='Sales', y = 'Company').set_title('Ventas de compañias online y físicas')

Para realizar este análisis, primero se tiene que eliminar datos vacíos del dataframe, después realizar un histograma de 'Category' para visualizar la categoría mas popular y finalmente graficar la cantidad de ventas por categoría y determinar si las ventas son relevantes o no.

#Clonamos el df y eliminamos los valores vacios df10 = df sns.histplot(data=df10, y='Category').set_title('Histograma de categorias')

#Ventas por categoria sns.barplot(data=df10, x='Sales', y='Category').set_title('Ventas por categoria')

Para visualizar los datos y llegar a conclusiones, se realizara un grafico de dispersión entre 'Stores' y 'Sales/Avg. Store', de tal manera se conocerá si existe alguna correlación entre ambos valores.

#Clonando el dataframe df11 = df #Graficando 'Stores' vs 'Sales/Avg. Store' sns.jointplot(x = 'Stores', y = 'Sales/Avg. Store', data=df11, kind = 'reg', color = 'c')

#Clonando el dataframe df12 = df.drop(0) #Graficando 'Stores' vs 'Sales/Avg. Store' sns.boxplot(x = 'Store Count Growth', y = 'Category', data=df12, color = 'c')

#Ventas por categoria sns.barplot(data=df12, x='Sales', y='Category').set_title('Ventas por categoria')

.css-15w88e5{color:var(--chakra-colors-fg-neutral-primary);font-weight:inherit;letter-spacing:-0.09px;}Análisis de los 25 retailers más grandes de Estados Unidos

I. Preguntas del negocio

Análisis de los 25 retailers más grandes de Estados Unidos