TP Final Integrador 22612 - Francisco Zumpano

# 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 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()) # head() 5 Filas por defecto print('\nFormato del dataframe') print(df_articles.shape) print('\nBusqueda de valores nulls 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()) # head() 5 Filas por defecto print('\nFormato del dataframe') print(df_sellers.shape) print('\nBusqueda de valores nulls 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()) # head() 5 Filas por defecto print('\nFormato del dataframe') print(df_orders.shape) print('\nBusqueda de valores nulls 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)

# https://pandas.pydata.org/docs/user_guide/indexing.html # https://towardsdatascience.com/how-to-use-loc-and-iloc-for-selecting-data-in-pandas-bd09cb4c3d79 # https://stackoverflow.com/questions/28754603/indexing-pandas-data-frames-integer-rows-named-columns my_df = df_orders.copy() # Shallow copy # Cambio el índice del df de artículos df_articles.set_index('article_id', inplace=True) 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']) # print(df_articles) # print() # my_df for i in range(max(my_df.count())): # print(i) # 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 (article_name) de df_articles # print(df_articles.loc[my_df[i]['article_id']]['article_name']) article = df_articles.loc[my_df.loc[i]['article_id']]['article_name'] # print(article) my_df.loc[i, 'article_name'] = article # my_df # hacemos lo mismo con 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 de 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 del df my_df.drop(['order_id', 'article_id', 'seller_id'], axis='columns', inplace=True) print(my_df)

# my_df.loc[:, 'quantity'] # my_df.loc[0, ['quantity','country_name']] # my_df.loc[0:5, ['quantity','country_name']] # my_df.iloc[:,1] # my_df.iloc[0,[1,2]] my_df.iloc[0:5,[1,2]]

# RESOLUCIÓN ANALÍTICA # df7 = my_df.groupby(by='article_name').sum().sort_values('quantity', ascending=False) # print(df7.head()) # print(df7[['quantity']].head()) # print() # df7 = my_df.groupby(by='article_name').sum().sort_values('quantity', ascending=False).reset_index() # print(df7.head()) # df7_2 = df7[['article_name', 'quantity']].groupby('article_name').sum('quantity').sort_values('quantity', ascending=False) # print(df7_2.head()) # print() # print(df7_2.head().index) # print(df7_2.head().index[0]) # df7 = my_df.groupby(by='article_name')['quantity'].sum().sort_values(ascending=False).head() # df7 = my_df.groupby(by='article_name')[['quantity'] + ['total_amount']].sum().sort_values('quantity',ascending=False).head() # print(df7) # print(df7.head().index) # df7 = my_df.groupby(by='article_name')['quantity'].sum().sort_values(ascending=False) # print(df7.iloc[0:5]) # df7 = my_df.groupby(by='article_name')['quantity'].sum().sort_values(ascending=False).reset_index() # print(df7.iloc[0:5]) # df7 = my_df.groupby(by='article_name')['quantity'].sum().sort_values(ascending=False) # df7 = my_df.groupby(by='article_name').sum().sort_values('quantity',ascending=False) # print(df7) # print(df7.loc['HDD':'Netbook']) # print(df7.loc['HDD':'Netbook']['quantity']) # df7 = my_df.groupby(by='article_name').agg({'quantity':'sum'}).sort_values('quantity', ascending=False) # print(df7.head()) # df7 = my_df.groupby(by='article_name').agg({'quantity':'sum'}).sort_values('quantity', ascending=False).rename(columns={'quantity':'Cantidad'}).sort_values('Cantidad', ascending=False) # print(df7.head()) # df7 = my_df.groupby(by='article_name').agg({'quantity':'sum'}).sort_values('quantity', ascending=False).reset_index().rename(columns={'quantity':'Cantidad'}).sort_values('Cantidad', ascending=False) # print(df7.head()) # df7 = my_df.groupby(by='article_name').sum().sort_values('quantity', ascending=False).head() df7 = my_df.groupby(by='article_name').sum().sort_values('quantity', ascending=False) pd.options.display.float_format= '$ {:,.2f}'.format # print(df7[['quantity']].head()) print(df7[['quantity','total_amount']].head()) # print(df7[['quantity','total_amount']])

# RESOLUCIÓN GRÁFICA # Opción 1 - Count # sns.countplot(my_df, x='article_name') # Opción 2 - barplot sns.barplot(data=df7, x=df7.index, y='quantity') # Opción 3 - barplot # xs = ["HDD", "Tablet", "SDD", "Mouse", "Netbook"] # ys = [413, 374, 372, 322, 320] # sns.barplot(x=xs, y=ys) plt.xticks(rotation=90) # 'vertical' plt.show()

# RESOLUCIÓN ANALÍTICA df2 = my_df.groupby(by='article_name').sum().sort_values('total_amount', ascending=False).head(5) pd.options.display.float_format= '$ {:,.2f}'.format print(df2['total_amount']) # print(df2) # print() # print(df2.index[0]) # print() # print(df2.reset_index().iloc[0]) # print() # for i in range(5): # # print(df2.index[i]) # print(df2.reset_index().iloc[i]) # print() # print() # print(df2.reset_index())

# RESOLUCIÓN GRÁFICA plt.pie(x=df2['total_amount'], labels=df2.index, autopct='%1.2f%%') plt.show()

# RESOLUCIÓN ANALÍTICA df4 = my_df.groupby(by='seller_name').sum().sort_values('total_amount', ascending=False) pd.options.display.float_format= '$ {:,.2f}'.format print(df4[['quantity'] + ['total_amount']].head(5))

# RESOLUCIÓN GRÁFICA plt.bar(df4.index, df4['total_amount']) plt.xticks(rotation=90) plt.show()

# RESOLUCIÓN ANALÍTICA df5 = my_df.groupby(by='week').sum().sort_values('total_amount', ascending=False) pd.options.display.float_format= '$ {:,.2f}'.format print(df5[['quantity'] + ['total_amount']])

# RESOLUCIÓN GRÁFICA plt.bar(df5.index, df5['total_amount']) plt.show() # 'week' es el index

# RESOLUCIÓN #Resolución analítica df6 = my_df.groupby(by='country_name').sum().sort_values('total_amount', ascending=False).head(3) pd.options.display.float_format= '$ {:,.2f}'.format print(df6[['quantity'] + ['total_amount']]) # Resolución gráfica df7 = my_df.groupby(by='country_name').sum().sort_values('total_amount', ascending=False) pd.options.display.float_format= '$ {:,.2f}'.format plt.bar(df7.index,df7['total_amount'], color = ['#F1C40F' if x in df7.index[0:3] else '#F9E79F' for x in df7.index]) #Color verde para los mejores 5 plt.xticks(rotation = 90) plt.title("Ventas por países") plt.xlabel("Paises") plt.ylabel("Ingresos por ventas ($)") plt.show()

Tanto analítica como gráficamente, podemos observar que las mayores ganacias, es decir, los mayores ingresos por ventas fueron producidos enn Brasil, Argentina y Colombia.

# RESOLUCIÓN #Resolución analítica df8 = my_df.loc[(my_df.country_name == 'Brazil') | (my_df.country_name == 'Argentina') | (my_df.country_name == 'Colombia')] df9 = df8.groupby(["country_name","article_name"]).sum().sort_values(['country_name',"total_amount"], ascending=False) pd.options.display.float_format= '$ {:,.2f}'.format print(df9) print() df10 = df9.groupby(["article_name","country_name"]).sum("total_amount").sort_values(["total_amount"], ascending=False).head() print(df10) print() #Resolución gráfica #Brasil df_bra = my_df.loc[(my_df.country_name == 'Brazil')] df_bra_pie = df_bra.groupby(by='article_name').sum().sort_values('total_amount', ascending=False).head(5) pd.options.display.float_format= '$ {:,.2f}'.format #Argentina df_arg = my_df.loc[(my_df.country_name == 'Argentina')] df_arg_pie = df_arg.groupby(by='article_name').sum().sort_values('total_amount', ascending=False).head(5) pd.options.display.float_format= '$ {:,.2f}'.format #Colombia df_col = my_df.loc[(my_df.country_name == 'Colombia')] df_col_pie = df_col.groupby(by='article_name').sum().sort_values('total_amount', ascending=False).head(5) pd.options.display.float_format= '$ {:,.2f}'.format #Paleta de colores extraída de https://htmlcolorcodes.com/es/tabla-de-colores/ col2=["#7D6608","#B7950B","#F1C40F","#F7DC6F","#FCF3CF"] plt.pie(x=df_bra_pie['total_amount'], labels=df_bra_pie.index, autopct='%1.2f%%',colors=col2) plt.title('Brasil') plt.show() plt.pie(x=df_arg_pie['total_amount'], labels=df_arg_pie.index, autopct='%1.2f%%',colors=col2) plt.title('Argentina') plt.show() plt.pie(x=df_col_pie['total_amount'], labels=df_col_pie.index, autopct='%1.2f%%',colors=col2) plt.title('Colombia') plt.show()

En los tres paises con más ventas, el producto que mayor ingresos generó fue la Full Pc, lo cual está en línea con lo encontrado en términos generales. Es interesante remarcar que la Notebook en Brasil, aunque fue el segundo producto mas vendido, generó mas ganancias que la Full Pc en Colombia. Esto indicaría una gran diferencia entre los ingresos por ventas en ambos países.

# RESOLUCIÓN # Resolución Analítica df7 = my_df.groupby(by='article_name').sum().sort_values('quantity', ascending=False) pd.options.display.float_format= '$ {:,.2f}'.format #Correlación corr = df7['quantity'].corr(df7['total_amount']) print ("El coeficiente de correlación entre la cantidad de ventas y el ingreso por las mismas es de:", round(corr,4)) print() # Resolución gráfica rate = df7["total_amount"]/df7["quantity"] #Precio unitario sns.scatterplot(data=df7, x="quantity",y="total_amount",size=rate,sizes=(20, 200),color="#F1C40F") plt.legend(title='Precio unitario', loc='upper right',facecolor="#F1C40F", edgecolor="white") for line in range(0,df7.shape[0]): plt.text(df7.quantity[line]+10, df7.total_amount[line], df7.index[line], horizontalalignment='left', size='small', color='black') plt.xlabel("N° de ventas") plt.ylabel("Ingresos por ventas ($)") plt.title("Relación entre número de ventas e ingresos")

Como cabría esperar, no hubo una correlación entre la cantidad de productos vendidos y el ingreso por los mismos (coeficiente de correlación muy cercano a cero). Esto demuestra que hay productos que a pesar de ser vendidos en bajas cantidades, generan grandes ingresos como es el caso de la Full Pc, y productos como el HDD, que a pesar de ser vendidos en altísimas cantidades, no generan grandes ingresos (ver figura).

En términos generales, en las preguntas planteadas, observamos que los países que mayores ingresos por ventas producen son Brasil, Argentina y Colombia. En estos tres países, el producto que más ganancias produce es la Full Pc y pudimos ver en el gráfico de dispersión que relaciona la cantidad de productos vendidos y el ingreso por los mismos, que este artículo es el que mas beneficios provee. Visto esto, sería interesante potenciar la venta de Full Pc y Notebooks, ya que son los productos mas redituables. Además, habría que plantear estrategias para vender mas productos en aquellos países mas relegados, es decir, aquellos que no están entre los de mayores ingresos. Habría que tener en cuenta cuales son las causas de que algunos países haya mas ingresos que en otros y de esa forma elegir la estrategia de marketing más adecuada. Por ejemplo, habría que chequear si los mayores ingresos en estos países son simplemente debido a su cantidad de habitantes (analizando la tasa de ingresos por habitante) o hay otro factor que hace que las ventas sean mayores (culturales, económicos, etc).

df6 = my_df[my_df['country_name'] == 'Brazil'] #A partir del anterior, ordenar vendedores por total de ventas vendedores_pais = df6.groupby('seller_name').sum().sort_values('total_amount', ascending=False) vendedores_pais.head()

plt.bar(vendedores_pais.index,vendedores_pais['total_amount'], color = ['green' if x in vendedores_pais.index[0:5] else 'blue' for x in vendedores_pais.index]) #Color verde para los mejores 5 plt.xticks(rotation = 90) plt.title("Desempeño vendedores del país que más compra") plt.xlabel("Vendedores") plt.ylabel("Total de Ventas") plt.show()

df_brazil = my_df[my_df['country_name'] == 'Brazil'] print(df_brazil[['seller_name','total_amount', 'quantity']].groupby('seller_name').sum().sort_values('total_amount', ascending=False)) print() df_brazil_bars = df_brazil[['seller_name','total_amount']].groupby('seller_name').sum('total_amount').sort_values('total_amount', ascending=False) print(df_brazil_bars) print() df_brazil_line = df_brazil[['seller_name','quantity']].groupby('seller_name').sum('quantity').sort_values('quantity', ascending=False).reset_index() print(df_brazil_line) fig, ax1 = plt.subplots() # ax1: axes1 # sns.barplot(data = df_brazil_bars, x='seller_name', y='total_amount', ax=ax1, color='C3') sns.barplot(data = df_brazil_bars, x = df_brazil_bars.index, y='total_amount', ax=ax1, color='C3') # ax: axes plt.xticks(rotation=90) ax2 = ax1.twinx() # ax2: axes2 = ax1.twinx() sns.lineplot(data = df_brazil_line, x='seller_name', y='quantity', ax=ax2, color='C11') plt.xticks(rotation=90) plt.title('Top sellers in Brazil') ax1.set_xlabel("Seller Name") ax1.set_ylabel("Income ($)") ax2.set_ylabel("Quantity (line)") plt.show()