# 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 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)
# SI SOBRA TIEMPO Se puede mencionar la función merge para hacer joins entre dataframes
# https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.merge.html
d1=pd.DataFrame({'mes': ['ene','feb','mar','abr'], 'ventas':[10,20,30,15]})
d2=pd.DataFrame({'mes': ['ene','feb','mar','abr'], 'costos':[7,16,25,12]})
print(pd.merge(d1,d2))
# 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 ---> 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()
plt.barh(df2.index,df2['total_amount'] , height=0.5, color="grey")
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'], color="grey")
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['total_amount'])
# RESOLUCIÓN GRÁFICA
plt.bar(df5.index,df5['total_amount'], color="grey",)
plt.show()
# RESOLUCIÓN ANÁLITICA
# Se crea un DF que contenga los totales de los países, ordenados de mayor a menor
compras = my_df.groupby('country_name').sum().sort_values('total_amount', ascending=False)
# Crear un pandas series "top5" que almacene los 5 primeros países
top5 = compras['total_amount'].head()
# agrupo los totales de los paises que no forman el top 5 (para mejorar la grafica posterior)
acu = 0.0
# Utilizo un for para realizar esta agrupacion
for p in range(5, len(compras)):
acu += compras['total_amount'][p]
# Agrego el nuevo valor a la serie
top5['Otros']= acu
print(top5)
# RESOLUCIÓN GRÁFICA
# Colores de las porciones
colores = ['tab:blue', 'tab:gray', 'tab:red', 'tab:brown', 'tab:green', 'tab:orange' ]
plt.pie(x=top5, labels=top5.index, autopct="%0.1f %%", colors=colores, shadow=False)
plt.title('TOP 5 PAISES - COMPRAS EN EL MES ')
plt.show()
# RESOLUCIÓN ANALITICA:
# Previsualizar 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)
#RESOLUCIÓN GRAFICA
plt.figure(figsize=(1,1))
sns.set_style("white")
week_palette=sns.color_palette("hls",7)
df_pivot = pd.pivot_table(df_final, index=df_final.index, columns='Semana',values='Ventas',aggfunc='sum')
df_pivot.plot.bar(stacked=True, color=week_palette)
plt.show()
# RESOLUCIÓN ANALÍTICA
df7 = my_df.query('week==1').groupby(by='seller_name').sum().sort_values(by='quantity', ascending=False).head(3)
print(df7['quantity'])
# RESOLUCIÓN GRÁFICA
# Utilizamos "cv" que es un numpy array que contiene las unidades vendidas correspondiente a los 3 vendedores
cv = df7['quantity'].values
for i, ac in enumerate(cv):
plt.annotate(ac, (df7.index[i],ac))
plt.bar(df7.index,df7['quantity'], color="grey")
plt.title('VENDEDORES CON MAYOR VENTAS LA PRIMER SEMANA DEL MES')
plt.xlabel('NOMBRE VENDEDOR')
plt.ylabel(ylabel='UNIDADES VENDIDAS')
plt.show()