Análisis de los 25 retailers más grandes de Estados Unidos

# Importar librerías a emplear import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import numpy as np import plotly.express as px

sns.set_theme(context='notebook',palette='magma')

# Cargar archivo como dataframe retail = pd.read_csv('/work/retail/largest_us_retailers_9b00dc73-a938-46cd-af17-fcb2bd67301f.csv') retail

retail.dtypes

retail.info()

retail.describe()

sns.histplot(data = retail, x = 'Sales')

# Walmart es el atípico con mayores ingresos por Ventas del dataset con un valor de 658.119 dólares retail.sort_values(by = ['Sales'], ascending = False)

# Calculo del promedio quitando dato atipico Walmart print('Promedio de la distribución completa: {:.0f} millones de USD'.format(retail['Sales'].mean())) print('Promedio quitando Walmart: {:.0f} millones de USD'.format(retail['Sales'].sort_values(ascending = False)[1:25].mean()))

# Otra forma de calcular el promedio usando numpy np.sort(np.array(retail['Sales']))[0:24].mean()

# Eliminar Walmart, dato atípico en relación entre Tiendas y Ventas retail_2 = retail.drop(index=0)

fig, ax = plt.subplots(2,1, figsize = (10,10)) sns.histplot(data = retail_2, x = 'Sales', ax=ax[0], kde=True) sns.boxplot(data = retail_2, x = 'Sales', ax=ax[1], palette='viridis') ax[0].set_title('Ventas en millones de dólares') fig.suptitle('Distibución de ventas para los 25 retails más importantes de USA')

print(retail['Sales'].median()) print(retail_2['Sales'].median()) print(np.quantile(retail_2['Sales'],[0.25,0.75]))

fig, ax = plt.subplots(2,1, figsize = (10,10)) sns.histplot(data = retail_2, x = 'Stores', ax=ax[0], kde=True) sns.boxplot(data = retail_2, x = 'Stores', ax=ax[1], palette='viridis') fig.suptitle('Distibución de cantidad de tiendas para los 25 retails más importantes de USA')

print(retail['Stores'].median()) print(retail_2['Stores'].median()) print(np.percentile(retail_2.dropna()['Stores'],[25,75]))

fig, ax = plt.subplots(1,2,figsize = (20,6)) sns.regplot(data = retail, x = 'Stores', y = 'Sales', ax = ax[0]) sns.regplot(data = retail_2, x = 'Stores', y = 'Sales',ax = ax[1]) fig.suptitle('Gráfico de dispersión entre la cantidad de tiendas y las Ventas en millones de dólares') ax[0].set_title('Tendencia con Walmart') ax[1].set_title('Tendencia sin Walmart')

fig2 = px.scatter(retail, x = 'Stores',y= 'Sales', hover_name='Company', trendline='ols') fig2.show()

results = px.get_trendline_results(fig2) print(results) results.px_fit_results.iloc[0].summary()

print('Coeficiente de correlación de Pearson datos completos: {:.4f}'.format(retail['Sales'].corr(retail['Stores'], method='pearson'))) print('Coeficiente de correlación de Pearson quitando Walmart: {:.4f}'.format(retail_2['Sales'].corr(retail_2['Stores'], method='pearson')))

rango_full = max(retail['Sales'])-min(retail['Sales']) rango = max(retail_2['Sales'])-min(retail_2['Sales']) print(rango_full) print(rango)

# 5 compañias con mayor cantidad de tiendas mas_tiendas = retail.nlargest(5,'Stores') mas_tiendas

# Compañías top 5 en cantidad de tiendas que pertenecen al top 5 en ventas mas_tiendas = retail.nlargest(5,'Stores') mas_ventas = retail.nlargest(5,'Sales') interseccion = pd.merge(mas_tiendas, mas_ventas, how='inner', on= 'Company') interseccion

sns.barplot(data=retail_2, y='Category',x = 'Sales')

sns.boxplot(data = retail_2, x = 'Sales',y='Category')

tiendas_ordenadas = list(retail.set_index('Company').sort_values(by='Sales/Avg. Store', ascending=False).index) fix, ax = plt.subplots(figsize = (8,6)) sns.barplot(data = retail, x = 'Sales/Avg. Store', y= 'Company', order = tiendas_ordenadas)

# Se aplica un mapeo a ambos dataframes dependiendo si en la columna Stores tienen retail['Online_sales'] = retail['Stores'].isna().map({False:'No',True: 'Si'}) retail_2['Online_sales'] = retail['Stores'].isna().map({False:'No',True: 'Si'}) retail[retail['Online_sales'] == 'Si' ]

fig, ax = plt.subplots(1,3, figsize = (20,8)) sns.barplot(data = retail_2, x ='Online_sales',y='Sales', ax = ax[0]) sns.boxplot(data = retail_2, x = 'Online_sales', y = 'Sales', palette='viridis', ax= ax[1]) sns.histplot(data = retail_2, x = 'Sales', palette='viridis', ax= ax[2], hue= 'Online_sales',kde=True)