# A veces necesitamos instalar nuevas librerías en nuestros proyectos
!pip install openpyxl==3.0.10
# imports
import numpy as np
import pandas as pd
import sqlite3 as sql3
import openpyxl #para que funcione correctamente el excel
import matplotlib.pyplot as plt
import seaborn as sns
# Levanto los datos en 3 diferentes dataframes
#Articulos
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)
#Ordenes
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('\nBusqueda 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('\nBusqueda 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('\nBusqueda 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 indice de df de articulos
df_articles.set_index('article_id', inplace = True)
#Agrego algunas columnas y pongo el campo que me va a servir de ancla
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
for i in range(len(my_df.index)):
#len(my_df.index) nos da la cantidad de registros
#busco el nombre del articulo y le asigno una variable
#como df_articles esta indexado por aricle_id, lo uso para ubicarme en el registro buscado
#SINTAXIS: df_articles.loc[indice][columna]
#[indice] va a ser el dato que obtengo de my_df.loc[i][article_id]
#tomo registro a registro el article_id y extraigo el nombre del articulo
article = df_articles.loc[my_df.loc[i]['article_id']]['article_name']
#se lo asigno a la columna correspondiente
my_df.loc[i, 'article_name'] = article
#hago lo mismo en un solo paso para la columna de total_amount
my_df.loc[i, 'total_amount'] = my_df.loc[i, 'quantity'] * df_articles.loc[my_df.loc[i]['article_id']]['unit_price']
#columna del seller_name
my_df.loc[i, 'seller_name'] = df_sellers.loc[my_df.loc[i]['seller_id']]['seller_name']
#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
sns.barplot(y = por_cant['quantity'], x = por_cant.index)
plt.xticks(rotation = 90)
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 Voy a tomar solo los 5 primeros articulos que mas ingresos nos dieron
#No puedo hacer una comparativa ni porcentajes porque no tome el total de los datos
#plt.pie(x = df2['total_amount'], labels = df2.index)
#plt.show()
#Veremos mejor en un grafico de barras, los 5 primeros articulos que mas ingresos nos dieron en el mes:
plt.barh(df2.index, df2['total_amount'], height = 0.6)
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
plt.bar(df4.index, df4['total_amount'])
plt.xticks(rotation = 60, ha = 'right')
plt.show()
# RESOLUCIÓN ANALÍTICA
df5 = (my_df.groupby(by = 'week').sum()).sort_values('total_amount', ascending=False)
print(df5)
# RESOLUCIÓN GRÁFICA
plt.bar(df5.index, df5['total_amount'])
plt.show()
#Se observa una clara disminucion de ventas a lo largo de las cuatro semanas del mes.
#Se podria lanzar una campana de promocion en la tercer semana, para comenzar a equiparar
#las ventas en las dos ultimas semanas con respecto a las dos primeras.
# RESOLUCIÓN
#Cuales son los cinco paises con mas ventas?
sumar_paises_df = my_df.groupby('country_name').sum()
top_five_paises = sumar_paises_df.sort_values('total_amount', ascending=False).head(5)
print(top_five_paises)
# RESOLUCIÓN
#Cual es la semana de mayor venta por cada pais?
#Maquetar el DF final
#Pais Semana Ventas
#Pais1 4 monto
#Pais2 3 monto
#1- Obtener total x semana x pais
df_pais_semana = my_df.groupby(['country_name', 'week']).sum()
#print(df_pais_semana)
#2- Obtener la lista de paises
paises = my_df.groupby('country_name').sum().index.values
#print(paises)
#3- Creo el DF final
df_final = pd.DataFrame(columns = ['Semana', 'Ventas'], index=paises)
#print(df_final)
#4- Procesar el DF df_pais_semana y obtener las ventas maximas x semana y guardarlas en df_final
for p in paises:
df = df_pais_semana.loc[p]
v = df.max()['total_amount']
s = df[(df['total_amount'] == v)].index[0]
df_final.loc[p] = {'Semana':s, 'Ventas':v}
df_final['Semana'] = df_final['Semana'].astype(int)
print(df_final)
g = sns.barplot(data = df_final, x = df_final.index, y = 'Ventas', hue = 'Semana')
g.set_xticklabels(labels=df_final.index, rotation = 90)
plt.show()
# RESOLUCIÓN
# Que pais vendio menos HDD?
print("\nPais que vendio menos HDD")
pais_menos_HDD = my_df.groupby(by=['article_name', 'country_name']).sum().query('article_name == "HDD"').sort_values(by='quantity', ascending=True)
print(pais_menos_HDD['quantity'].head(1))