Car Sales Analysis
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
sales = pd.read_csv("CarsData.csv")
test = pd.read_csv("test.csv",delimiter=";")
sales.head(20)
test.head(20)
sales.columns
sales.shape
sales.info()
# Datos sobre las variables númericas
sales.describe()
# Datos sobre las variables categóricas
sales.describe(include = ["O"])
sales.groupby(["Buyer Gender"]).count()['Model']
sales.groupby(["Buyer Gender","New Car"]).count()['Model']
grouped_sex = sales.groupby(['Buyer Gender', 'New Car']).count()['Model']
print(grouped_sex)
(grouped_sex.unstack(level=0).plot.bar())
plt.show()
grouped_sex.unstack(level=1)
print(sales.groupby(['Buyer Age', 'New Car'])
.count()["Model"]
.unstack(level=1)
.plot.bar(figsize=(20,5)))
sales[[
"Make",
"Model",
"Buyer Gender",
"Buyer Age",
"New Car",
"Sale Price",
"5-yr Depreciation",
"Top Speed",
"0-60 Time"
]]
sales[[
"Make",
"Model",
"Buyer Gender",
"Buyer Age",
"New Car",
"Sale Price",
"5-yr Depreciation",
"Top Speed",
"0-60 Time"
]].info()
#metodo map del label encoding
sales['Buyer Gender'] = sales["Buyer Gender"].map({"Female": 1, "Male": 0}).astype(int)
sales['New Car'] = sales["New Car"].map({True: 1, False: 0}).astype(int)
sales[['Model', 'Buyer Gender', "New Car"]].head()
#sales.groupby(['Buyer Gender'])
sales.groupby(['Buyer Gender']).sum()["Sale Price"]
# Variables dependientes
Y_train = sales["Buyer Gender"]
# Preprocesamiento de variables independientes
X_train = sales[[
"Buyer Age",
"Top Speed",
"5-yr Depreciation",
"Sale Price"
]]
print(Y_train, X_train)
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_train.shape
# Entrenar el modelo de árboles de descisión
from sklearn.tree import DecisionTreeClassifier
decision_tree = DecisionTreeClassifier()
decision_tree.fit(X_train , Y_train)
#import seaborn as sns
#sns.heatmap(X_train, annot=True)
from sklearn.metrics import plot_confusion_matrix
def conf_mat_acc(modelo):
disp = plot_confusion_matrix(modelo , X_train , Y_train ,
cmap = plt.cm.Blues , values_format = "d")
true_pred = disp.confusion_matrix[0,0]+disp.confusion_matrix[1,1]
total_data = np.sum(disp.confusion_matrix)
accuracy = true_pred/total_data
print("accuracy: " , np.round(accuracy , 2))
plt.show()
conf_mat_acc(decision_tree)
# Preparar el test set para la evaluación
print(test.head())
test.info()
# Preparando test set
# Cambiando estado del carro
test['New Car'] = test["New Car"].map({"VERDADERO": 1, "FALSO": 0}).astype(int)
test.head(20)
print(test.info())
test[[
"Buyer Age",
"Top Speed",
"5-yr Depreciation",
"Sale Price"
]].head()
# Crear test set
X_test = test[[
"Buyer Age",
"Top Speed",
"5-yr Depreciation",
"Sale Price"
]]
print(X_test.shape)
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_test = sc.fit_transform(X_test)
X_test
# Predicción de genero sobre el test set
Y_pred_tree = decision_tree.predict(X_test)
print("Clasificador arbol de decisión: ", Y_pred_tree[0 : 10])
# Para guardar en ordenador
def download_output(y_pred, name):
output = pd.DataFrame({"Sale Price" : test['Sale Price'],
"Buyer Gender" : y_pred})
output.to_csv(name , index = False)
download_output(Y_pred_tree , "precio_genero_pred_tree.csv")
Conclusión
Durante el análisis de los datos del negocio, se obtuvo que el género femenino es el que más ingresos aporta a la concesionaria. Se obtiene que los ingresos por género son: Mujeres $210.040.800.000.000 Hombres $203.521.700.000.000
Luego, se utilizó el algoritmo de árbol de decisión, para crear un modelos y testearlo, de los cuales dieron como resultado de precisión del 100%. Por último se obtuvieron predicciones de un conjunto de datos de prueba con valores del 100% correctos sobre el género compraría un auto por su precio. El modelo predijo los siguientes resultados:
Clasificador árbol de decisión: [1 0 1 0 1 1 1 1 1 0 1 1 0 0 1 0 1 1 0 1]