# A veces necesitamos instalar nuevas librerías en nuestros proyectos
!pip install --upgrade pip
!pip install openpyxl==3.0.10
# imports
import matplotlib.ticker as mtick #Este es para poder meter el signo $ de manera más fácil
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)
# 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
fig, ax = plt.subplots(figsize=(40,20))
sns.barplot(y=por_cant["quantity"], x=por_cant.index, palette = 'rocket', ax=ax)
plt.xticks(rotation=90)
#labels
plt.xlabel('Artículo', fontsize=40, fontweight='bold')
plt.ylabel('Cantidad', fontsize=40, fontweight='bold')
#Agrandar
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
#Título
plt.title('Ventas por unidad de artículo', fontsize=40, fontweight='bold')
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
#En el caso de utilizar gráfico de torta ---> 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()
fig, ax = plt.subplots(figsize=(40,20))
colors = sns.color_palette('mako') #Color de las barras
plt.barh(df2.index,df2['total_amount'] , height=0.8, color = colors)
#labels
plt.xlabel('Monto', fontsize=40, fontweight='bold')
plt.ylabel('Artículo', fontsize=40, fontweight='bold')
#Agrandar
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
#Título
plt.title('Ingreso por artículo', fontsize=40, fontweight='bold')
#Setear el signo $ en el eje X
fmt = '${x:,.0f}'
tick = mtick.StrMethodFormatter(fmt)
ax.xaxis.set_major_formatter(tick)
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
fig, ax = plt.subplots(figsize=(40,20))
colors = sns.color_palette("light:#5A9", 20) #Color de las barras
colors.reverse() #Da vuelta la lista del degradado
plt.bar(df4.index,df4['total_amount'], color=colors)
plt.xticks(rotation=60, ha="right")
#labels
plt.xlabel('Vendedor', fontsize=40, fontweight='bold')
plt.ylabel('Monto acumulado', fontsize=40, fontweight='bold')
#Agrandar
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
#Título
plt.title('Ventas del vendedor', fontsize=40, fontweight='bold')
#Setear el signo $ en el eje Y
fmt = '${x:,.0f}'
tick = mtick.StrMethodFormatter(fmt)
ax.yaxis.set_major_formatter(tick)
plt.show()
# RESOLUCIÓN ANALÍTICA
df5 = (my_df.groupby(by='week').sum()).sort_values('total_amount',ascending=False)
print(df5['total_amount'])
# RESOLUCIÓN GRÁFICA
fig, ax = plt.subplots(figsize=(40,20))
colors = sns.color_palette("husl", 4)
plt.bar(df5.index,df5['total_amount'], color=colors)
#labels
plt.xlabel('Semana', fontsize=40, fontweight='bold')
plt.ylabel('Monto acumulado', fontsize=40, fontweight='bold')
#Agrandar
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
#Setear el signo $ en el eje Y
fmt = '${x:,.0f}'
tick = mtick.StrMethodFormatter(fmt)
ax.yaxis.set_major_formatter(tick)
#Título
plt.title('Variaciones de ventas', fontsize=40, fontweight='bold')
plt.show()
#Resolución analítica
df6 = my_df.groupby('country_name').sum().sort_values('total_amount', ascending=False) #Agrupo por País, sumo y ordeno de manera ascendiente
df6 = df6.drop(columns=['week', 'quantity']) #Elimino las columnas que no me sirven
print(df6)
#Resolución gráfica
#Distribución de mejores países
fig, ax = plt.subplots(figsize=(40,20))
sns.barplot(x=df6.index,y=df6['total_amount'], palette = 'rocket', ax=ax)
#Setear el signo $ en el eje Y
fmt = '${x:,.0f}'
tick = mtick.StrMethodFormatter(fmt)
ax.yaxis.set_major_formatter(tick)
#Rotación de los nombres del eje X
plt.xticks(rotation=60)
#Labels
plt.xlabel('Países', fontsize=40, fontweight='bold')
plt.ylabel('Monto de ventas', fontsize=40, fontweight='bold')
#Agrandar
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
plt.show()
#Haré otro gráfico, uno de torta para los mejores 5 (el porcentaje no considera el total de países)
colors = sns.color_palette('Blues')[0:5] #Paleta de colores
fig, ax = plt.subplots(figsize=(15,10))
e = (0.1, 0.05, 0 , 0 , 0) #Explote una parte del gráfico
plt.pie(df6.head()['total_amount'], labels=df6.head().index, explode = e, autopct='%1.2f%%', colors = colors, textprops={'fontsize': 14})
plt.title('Mejores 5 países', fontsize=20, fontweight='bold') #Título
plt.show()
# Resolución analítica
df7 = my_df.copy() #Copia del dataframe original
países = df6.head(3).index.values #Mejores 3 países
artículos = df2.head().index.values #Mejores 5 artículos
#Hay que eliminar las filas que no contengan ni estos países ni estos artículos
for i in range(len(df7.index)):
if (df7.loc[i, 'country_name'] not in países) or (df7.loc[i, 'article_name'] not in artículos):
df7 = df7.drop([i])
#Elimino columnos que no me aportan para este análisis
df7 = df7.drop(columns=['week','total_amount','seller_name'])
print(df7)
#Resolución Gráfica
fig, ax = plt.subplots(figsize=(40,20))
sns.boxplot(data= df7, x= 'article_name', y = 'quantity', hue= 'country_name', dodge=True, palette='deep', ax=ax)
plt.title('Mejores 5 artículos vs mejores 3 países', fontsize=40, fontweight='bold') #Título
#Labels
plt.xlabel('Artículo', fontsize=40, fontweight='bold')
plt.ylabel('Cantidad de unidades vendidas', fontsize=40, fontweight='bold')
#Agrandar
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
#Localiza las legendas por fuera del gráfico
plt.legend(title='Países',bbox_to_anchor=(1.02, 1), loc='upper left', borderaxespad=0, fontsize=40)
plt.setp(ax.get_legend().get_title(), fontsize='40') #Para el título de la legenda
plt.show()
#Resolución analítica
países = df6.index.values[:3] #Mejores 3 países, obtuvido del dataframe de mejores países
df8 = my_df.groupby(['country_name', 'week']).sum() #Pone de indice una tupla país y semana
df8 = df8.reset_index() #Pasa los índices a columnas
#Elimino las filas que contengan países que no me interesan analizar
for i in range(len(df8.index)):
if df8.loc[i,'country_name'] not in países:
df8 = df8.drop([i])
#Elimino la columna 'quantity'
df8 = df8.drop(columns='quantity')
print(df8)
#Resolución gráfica
fig, ax = plt.subplots(figsize=(40,20))
sns.barplot(data= df8, x= 'country_name', y = 'total_amount', hue= 'week', dodge=True, palette='mako', ax=ax)
#Setear el signo $ en el eje Y
fmt = '${x:,.0f}'
tick = mtick.StrMethodFormatter(fmt)
ax.yaxis.set_major_formatter(tick)
#Agrandar
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
#Labels
plt.xlabel('Países', fontsize=40, fontweight='bold')
plt.ylabel('Monto de ventas', fontsize=40, fontweight='bold')
plt.legend(title='Semana', fontsize=40)
plt.setp(ax.get_legend().get_title(), fontsize='40') #Para el título de la legenda
plt.show()