# Necesitamos instalar esta librería para poder leer excel
!pip install openpyxl==3.0.10
Requirement already satisfied: openpyxl==3.0.10 in /root/venv/lib/python3.9/site-packages (3.0.10)
Requirement already satisfied: et-xmlfile in /root/venv/lib/python3.9/site-packages (from openpyxl==3.0.10) (1.1.0)
WARNING: You are using pip version 22.0.4; however, version 22.1.2 is available.
You should consider upgrading via the '/root/venv/bin/python -m pip install --upgrade pip' command.
# 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
# Para levantar 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('\nEstadistica de los datos numericos de la columna precios') # de la col ['unit_price']
print(df_articles['unit_price'].describe()) # ojo el tipo de dato de la col unit_price es objet !!!
# habria que pasarlo a float para poder emplear metodo describe()
print('\nBúsqueda de valores nulos por columna')
print(df_articles.isnull().sum()) # cuenta la cantidad de datos null
print('\nInformacion de los datos')
print(df_articles.info())
print('\nFormato o tipo de dato de los datos por columna')
print(df_articles.dtypes)
Muestra de datos
article_id article_name unit_price
0 20015 Smartphone 525.00
1 20016 Full Pc 2127.81
2 20017 Monitor 230.00
3 20018 Tablet 130.00
4 20019 Desk 130.10
Formato del dataframe
(31, 3)
Estadistica de los datos numericos de la columna precios
count 31
unique 30
top 67.50
freq 2
Name: unit_price, dtype: object
Búsqueda de valores nulos por columna
article_id 0
article_name 0
unit_price 0
dtype: int64
Informacion de los datos
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 31 entries, 0 to 30
Data columns (total 3 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 article_id 31 non-null int64
1 article_name 31 non-null object
2 unit_price 31 non-null object
dtypes: int64(1), object(2)
memory usage: 872.0+ bytes
None
Formato o tipo de dato de los datos por columna
article_id int64
article_name object
unit_price object
dtype: object
# Exploración del df de vendedores
print('Muestra de datos')
print(df_sellers.head()) # muestra por default los primeros 5 registros (filas) de 0 a 4
print('\nFormato del dataframe')
print(df_sellers.shape)
print('\nBúsqueda de valores nulos por columna')
print(df_sellers.isnull().sum()) # cuenta la cantidad de datos null
print('\nFormato de los datos por columna')
print(df_sellers.dtypes)
Muestra de datos
seller_name
seller_id
1 Aveline Swanwick
2 Jase Doy
3 Oliviero Charkham
4 Cornie Wynrehame
5 Ewell Peres
Formato del dataframe
(15, 1)
Búsqueda de valores nulos por columna
seller_name 0
dtype: int64
Formato de los datos por columna
seller_name object
dtype: object
# 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)
Muestra de datos
order_id week article_id quantity seller_id country_name
0 15024 1 20039 10 10 Peru
1 15025 1 20029 15 5 Peru
2 15026 1 20024 5 14 Bolivia
3 15027 1 20018 9 14 Brazil
4 15028 1 20035 6 15 Mexico
Formato del dataframe
(1000, 6)
Búsqueda de valores nulos por columna
order_id 0
week 0
article_id 0
quantity 0
seller_id 0
country_name 0
dtype: int64
Formato de los datos por columna
order_id int64
week int64
article_id int64
quantity int64
seller_id int64
country_name object
dtype: object
df_articles['unit_price'] = df_articles['unit_price'].astype(float) # cambio la columna unit_price de string a float
print(df_articles.dtypes)
article_id int64
article_name object
unit_price float64
dtype: object
# Creo una copia del df_orders
my_df = df_orders.copy()
# Cambio el índice del df de artículos
df_artic = df_articles.set_index('article_id',inplace = False)
# Agrego algunas columnas y pongo el campo (las variables donde las guardo) 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
# Obtenemos article_name
id_articulo = my_df.loc[i]['article_id']
nombreArticulo = df_artic.loc[id_articulo]['article_name']
#se lo asigno a la columna correspondiente a mi Dataframe Final (my_df)
my_df.loc[i,'article_name'] = nombreArticulo
# Obtenemos total_amount
precioArticulo = df_artic.loc[id_articulo]['unit_price']
my_df.loc[i, 'total_amount'] = my_df.loc[i,'quantity'] * precioArticulo # se lo asigno a la columna correspondiente de mi Dataframe Final (my_df)
# Obtenemos seller_name
id_vendedor = my_df.loc[i]['seller_id']
nombreVendedor = df_sellers.loc[id_vendedor]['seller_name']
my_df.loc[i, 'seller_name'] = nombreVendedor # se lo asigno a la columna correspondiente de mi Datarframe Final (my_df)
# elimino las columnas que no necesito
my_df.drop(['order_id', 'article_id', 'seller_id'], axis = 'columns', inplace=True)
print(my_df.info())
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 week 1000 non-null int64
1 quantity 1000 non-null int64
2 country_name 1000 non-null object
3 article_name 1000 non-null object
4 total_amount 1000 non-null float64
5 seller_name 1000 non-null object
dtypes: float64(1), int64(2), object(3)
memory usage: 47.0+ KB
None
# RESOLUCIÓN ANALÍTICA
df_cant_articulos = my_df.groupby('article_name').sum()
df_cant_articulos_ord = df_cant_articulos.sort_values('quantity', ascending=False)
#print(df_cant_articulos_ord['quantity'].head()) # los priemros 5 mas vendidos
print('ARTICULOS MAS VENDIDOS')
df_cant_articulos_ord[['quantity']].head().style.set_properties(**{'border': '1.5px solid red','color': 'black'})
# Me lo toma poniendo doble [['quantity']] sino me sale error porque lo toma como serie y no como columna
ARTICULOS MAS VENDIDOS
#print(df_cant_articulos_ord['quantity'].head(1)) # el mas vendido
print('ARTICULO MAS VENDIDO')
df_cant_articulos_ord[['quantity']].head(1).style.set_properties(**{'border': '1.5px solid red','color': 'black'})
ARTICULO MAS VENDIDO
# RESOLUCIÓN GRÁFICA
#sns.set_palette('Set2')
#sns.set_style("dark")
sns.set_palette('bright')
sns.barplot(y = df_cant_articulos_ord["quantity"], x=df_cant_articulos_ord.index) # en sns.barplot (primero eje y, luego eje x)
plt.xticks(rotation=90,)
plt.title('CANTIDAD DE VENTAS POR ARTICULO')
plt.xlabel('ARTICULO', fontdict=None)
plt.ylabel('CANTIDAD', fontdict=None)
plt.show() # me muestra mejor el grafico en seaborn (sns) y pyplot (plt)
# RESOLUCIÓN ANALÍTICA
df_monto_articulo_ord = my_df.groupby('article_name').sum().sort_values('total_amount', ascending=False).head(5)
#print(df_monto_articulo_ord)
print('INGRESO POR ARTICULO: MEJORES 5 ARTICULOS')
df_monto_articulo_ord.style.set_properties(**{'border': '1.5px solid red','color': 'black'})
INGRESO POR ARTICULO: MEJORES 5 ARTICULOS
#GRAFICO
plt.barh(df_monto_articulo_ord.index, df_monto_articulo_ord['total_amount'] , height=0.8, alpha = 0.4, color=['tomato'])
plt.title('INGRESO POR ARTICULO: MEJORES 5 ARTICULOS')
plt.xlabel('MONTO EN PESOS $', fontdict=None)
plt.ylabel('ARTICULO', fontdict=None)
plt.show()
# RESOLUCIÓN ANALÍTICA
df_monto_vendedor_ord = my_df.groupby('seller_name').sum().sort_values('total_amount', ascending=False)
print('MEJORES VENDEDORES')
#print(df_monto_vendedor_ord[['quantity']+['total_amount']])
df_monto_vendedor_ord[['quantity']+['total_amount']].style.set_properties(**{'border': '1.5px solid red','color': 'black'})
MEJORES VENDEDORES
# RESOLUCIÓN GRÁFICA
# en plt.bar (primero eje x,luego eje y)
plt.xticks(rotation=90, ha="right")
plt.bar(df_monto_vendedor_ord.index, df_monto_vendedor_ord['total_amount'],alpha = 0.4, width = 0.9, color=['hotpink','turquoise']);
# nivel de transparencia
# Grosor de las barras para dejar espacio entre ellas
plt.title('MEJORES VENDEDORES')
plt.xlabel('VENDEDORES', fontdict=None)
plt.ylabel('INGRESO EN PESOS $', fontdict=None)
plt.show()
# RESOLUCIÓN ANALÍTICA
df_venta_semanal = my_df.groupby(by='week').sum().sort_values('total_amount',ascending=False)
#print(df_venta_semanal[['total_amount']]) # con el doble [] marco tambien el nombre de la columna que quiero mostrar
print('VENTAS POR SEMANA')
df_venta_semanal[['total_amount']].style.set_properties(**{'border': '1.5px solid red','color': 'black'})
VENTAS POR SEMANA
# RESOLUCIÓN GRÁFICA
plt.bar(df_venta_semanal.index,df_venta_semanal['total_amount'], alpha = 0.4, width = 0.90, color=['springgreen','seagreen','limegreen','darkgreen']) # en plt.bar(primero eje x,luego eje y)
plt.title('VENTAS POR SEMANA')
plt.xlabel('SEMANAS', fontdict=None)
plt.ylabel('MONTO EN PESOS $', fontdict=None)
plt.show()
5. ¿Nombres de paises con los que se comercia y cuantos son?
#RESOLUCION ANALITICA
unico = []
for i in range(len(my_df.index)): # Itero mi dataframe (my_df) con un ciclo for por toda su longitud(len) en cada indice
countryName = my_df.loc[i]['country_name'] # localizo (loc[]) cada elemento en la iteracion, de la columna 'country_name'
if countryName not in unico:
unico.append(countryName) # voy completando la lista unico[] con cada elemento encontrado NO REPETIDO,y lo agrego al final de la lista con el append()
print(unico)
# uso Numpy
x = np.array([unico]) # creo un array en numpy con el metodo no.array(),ingresando como argumento la variable unico
print(x.size) # cuento el tamaño del array (cantidad de paises no repetidos)
['Peru', 'Bolivia', 'Brazil', 'Mexico', 'Colombia', 'Honduras', 'Argentina', 'Venezuela', 'Costa Rica', 'El Salvador', 'Chile', 'Paraguay', 'Uruguay', 'Guatemala', 'Puerto Rico', 'Ecuador']
16
#GRAFICO
#print(type(unico)) # unico es una lista,creo un dataframe con unico y lo muestro
df_countries = pd.DataFrame(unico , columns= ['Paises'])
#print(df_countries)
df_countries.style.set_properties(**{'border': '1.5px solid red','color': 'black'})
6 . Que paises nos proporcionan mayores ingresos ?
6.1 Ingresos por pais
#RESOLUCION ANALITICA
pd.set_option('precision',2) # seteo a dos decimales solos
df_countries_names = my_df.groupby('country_name').sum()
df_countries_names_total_amount = df_countries_names.sort_values('total_amount', ascending= False)
# con el doble[[]] marco el nombre de la columna que quiero mostrar
print('INGRESOS POR PAIS')
df_countries_names_total_amount[['total_amount']].style.set_properties(**{'border': '1.5px solid red','color': 'black'}) # con el doble[[]] marco el nombre de la columna que quiero mostrar
INGRESOS POR PAIS
6.2 Primeros 5 paises que aportan mayores ingresos
#RESOLUCION
pd.set_option('precision',2) # Me setea a dos decimales los float que vienen despues
print('INGRESOS POR PAIS: MEJORES 5 PAISES')
df_5_countries = df_countries_names_total_amount.head()
df_5_countries[['total_amount']].style.set_properties(**{'border': '1.5px solid red','color': 'black'})
INGRESOS POR PAIS: MEJORES 5 PAISES
#GRAFICO
plt.bar(df_5_countries.index, df_5_countries['total_amount'],alpha = 0.4, width = 0.9, color=['orangered','lightsalmon'])
plt.title('INGRESOS POR PAIS: MEJORES 5 PAISES')
plt.xlabel('PAISES', fontdict=None)
plt.ylabel('MONTO EN PESOS $', fontdict=None)
plt.show()
7. Articulo mas vendido (cantidad) por pais
# RESOLUCIÓN
# Mejor semana (ventas) para cada vendedor
# Previsualizar el DF final
# -------------------------
# "Vendedor" "Articulo" "Cantidad"
# Pais1 Mouse 34
# Pais2 PC 100
# 1) Obtener total articulo x pais
df_pais_artic = my_df.groupby(['country_name', 'article_name']).sum()
#print(df_pais_artic)
#2) Obtener la lista de paises y la usare como indice de mi nuevo dataframe
paises = my_df.groupby('country_name').sum().index.values #index.values lo tomo cada valor como indice
#print(paises)
#3) Creo el DF final
df_final = pd.DataFrame(columns=['Articulo', 'Cantidad'], index=paises)
#print(df_final)
print('ARTICULO MAS VENDIDO POR PAIS (POR CANTIDAD)')
#4) Procesar el DF df_pais_artic y obtener la cantidad maxima del articulo por pais y guardarlas en df_final
for p in paises: # Bucle for para ir iterando p por cada pais (indice paises)
df = df_pais_artic.loc[p] # En este df_pais_artic tengo pais (que me queda por default al agrupar,como indice),y como columnas: article_name,quantity,y total_amount (es lo que me trae al agrupar)
c = df.max()['quantity'] # Tomo el maximo de la columna 'quantity'
a = df[(df['quantity'] == c)].index[0] # me traera en la columna ['quantity'] la maxima cantidad para ese articulo por cada p (pais)
# y que me lo traiga para cada pais al primer lugar (index[0] del array de la columna 'quantity'que recorre)
df_final.loc[p] = {'Articulo': a, 'Cantidad': c} # Armo mi df_final por pais [p] y relleno en col 'Articulo'con a y la col 'Cantidad' con c
df_final['Cantidad'] = df_final['Cantidad'].astype(int) # Convierto los valores de 'Cantidad' en enteros para poder sumar
df_final.style.set_properties(**{'border': '1.5px solid red','color': 'black'})
ARTICULO MAS VENDIDO POR PAIS (POR CANTIDAD)
#GRAFICO
#sns.set_style('white')
#sns.set_palette("dark")
g = sns.barplot(data = df_final, x = df_final.index, y = 'Cantidad', hue = 'Articulo', dodge=False) # Con dodge=False amplio el ancho de las barras que sale por default
g.set_xticklabels(labels=df_final.index, rotation=90)
plt.legend(bbox_to_anchor = ( 1.02 , 1 ), loc = 'best', borderaxespad = 0 ) # Saco del grafico la leyenda de articulos
plt.title('ARTICULO MAS VENDIDO POR PAIS (POR CANTIDAD)')
plt.xlabel('PAISES', fontdict=None)
plt.ylabel('CANTIDAD', fontdict=None)
plt.show()
Del analisis de los datos se puede concluir que:
* Los paises con los que se comercia son 16 : Peru, Bolivia, Brazil, Mexico, Colombia, Honduras, Argentina, Venezuela, Costa Rica, El Salvador, Chile, Paraguay, Uruguay, Guatemala, Puerto Rico, Ecuador.
* Los 5 mayores ingresos son proporcionados por los paises : Brazil $441271.85, Argentina $205832.78, Colombia $177514.29, Peru $161421.12, Mexico $138619.99.
* El articulo mas vendido por pais, (por cantidad de unidades vendidas) es: Argentina CPU (104), Bolivia Pci Express Port (34) Brazil Tablet (156), ChileMouse (27), Colombia SDD (74), Costa Rica Power Supply (32), Ecuador Power Supply (24), El Salvador Smartphone (22), Guatemala Heatsink (25), Honduras Mesh Wi-Fi X (228), Mexico HDD (63), Paraguay Headphones (24), PeruMouse (125), Puerto Rico CPU (9), Uruguay Motherboard (15), Venezuela Smartphone (329.
* El articulo mas vendido a nivel global : es el HDD con 413 unidades vendidas
* El articulo a nivel global que mas ingreso proporciono es la FULL PC por $ 538335.93.
Con estos datos se pueden inferir estrategias de logistica y marketing para mejorar las ventas en los diferentes paises.
* Por otra parte se observan variaciones de las ventas a lo largo del mes,encontrandose en descenso conforme avanzan las semanas: Primer semana: $507458.81, Segunda semana: $415364.44, Tercer semana: $329140.03, Cuarta semana: $223844.56; siendo el mejor vendedor de mes Janel O'Curran ($ 192832.47).
Como propuesta ,podria aplicarse un estimulo en premios al mejor vendedor del mes e iniciar campañas de promociones hacia la tercera y/o cuarta semana ,que es donde caen las ventas en mayor medida. Esto podria deberse al mayor poder adquisitivo de los clientes al comienzo del mes (si cobran sueldo mensual)y luego va disminuyendo con el paso de las semanas. Por esta razon sreria conveniente aplicar las promociones con financiacion a esa altura del mes.