Análisis de los 25 retailers más grandes de Estados Unidos

# Importar librerías aquí import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns

# Importar datos aquí df = pd.read_csv('/work/largest_us_retailers.csv') df.head()

Companyobject

Salesint64

Walmart US

658119

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

# Método de pandas para describir las columnas del DataFrame. df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 25 entries, 0 to 24
Data columns (total 6 columns):
 #   Column              Non-Null Count  Dtype  
---  ------              --------------  -----  
 0   Company             25 non-null     object 
 1   Sales               25 non-null     int64  
 2   Stores              23 non-null     float64
 3   Sales/Avg. Store    23 non-null     float64
 4   Store Count Growth  23 non-null     float64
 5   Category            24 non-null     object 
dtypes: float64(3), int64(1), object(2)
memory usage: 1.3+ KB

# Método de pandas para obtener valores de importantes de \\ # tendencia central, de dispersión y los quartiles. df.describe()

Salesfloat64

Storesfloat64

count

mean

71063.08

3466.565217

std

125405.7276

4038.708714

min

16592

231

25%

24402

1029

50%

34980

1828

75%

71687

4242

max

658119

14250

df_sorted = df.sort_values('Sales', ascending=False) df_sorted

Companyobject

Walmart US4%

Kroger4%

23 others92%

Salesint64

16592 - 658119

Walmart US

658119

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

CVS incl. Target

77792

Amazon

71687

Target

71208

Lowe's

60311

Albertsons

56829

x = df_sorted['Company'][:5] # Aplicamos slicing como en una lista de Python. y = df_sorted['Sales'][:5] plt.bar(x, y, color='red') plt.title('Top 5 retailers') plt.xlabel('Company') plt.ylabel('Sales') plt.xticks(rotation=35) # Método que se usa para rotar el texto de los puntos en X para que no se amontonen. plt.grid(False) plt.show()

I. Preguntas del negocio

# Removemos solamente a Walmart US mediante slicing y calculamos el promedio de todas las ventas \\ # con el método ".mean()". sales_avg = int(df_sorted['Sales'][1:].mean()) print("El promedio de ventas es de ${:,} millones de dolares.".format(sales_avg))

El promedio de ventas es de $46,602 millones de dolares.

# Hacemos un histograma para ver si existe algún otro sesgo además de Walmart US sns.histplot(data=df[1:],x='Sales', bins=10, color='red') plt.xlabel('Ventas') plt.ylabel('Frecuencia') plt.title('Ventas en millones de dólares') plt.grid(False) plt.show() # En este caso, considero que no existe ningún otro sesgo más que Walmart US.

# Primero, quitaremos a Walmart US del DataFrame, ya que es nuestro único sesgo. df_without_walmart = df[1:] df_without_walmart.head()

Companyobject

Salesint64

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

CVS incl. Target

77792

# Ahora, para contestar esta pregunta, tomaremos una muestra aleatoria de \\ # la mayoría de los datos y haremos el cálculo. data_quantity = 0.80 # La muestra será del 80% pero se puede modificar. df_sample = df_without_walmart.sample(frac=data_quantity)

# Calculamos el promedio de la ventas con el método ".mean()" y lo imprimimos en pantalla. sales_avg = int(df_sample['Sales'].mean()) print("Las ganancias promedio que generaron el {}% de las empresas (sin contar a Walmart US) ${:,} millones de dólares.".format(int(data_quantity*100), sales_avg)) # Sumamos todas las ventas con el método ".sum()" y lo imprimimos en pantalla. sales_sum = int(df_sample['Sales'].sum()) print("Las ganancias totales que generaron el {}% de las empresas (sin contar a Walmart US) ${:,} millones de dólares.".format(int(data_quantity*100), sales_sum))

Las ganancias promedio que generaron el 80% de las empresas (sin contar a Walmart US) $49,550 millones de dólares.
Las ganancias totales que generaron el 80% de las empresas (sin contar a Walmart US) $941,457 millones de dólares.

# Graficamos un histograma para ver si existe algún sesgo sns.histplot(data=df, x='Stores', bins=20, color='red') plt.title('Quantity of stores (With BIAS)') plt.show()

# Como vemos, existen 7 outliers, debemos localizarlos y quitarlos del DataFrame. df_sorted_stores = df.sort_values('Stores', ascending=False) df_sorted_stores.head(8)

Companyobject

Salesint64

Dollar Tree

21464

Dollar General

22234

CVS incl. Target

77792

Walgreen Boots

78924

Walmart US

658119

Rite Aid

27486

Kroger

115037

TJX

25012

# Verificamos si hemos quitado los bias satisfactoriamente df_stores_without_outliers = df_sorted_stores[7:] df_stores_without_outliers.head()

Companyobject

Salesint64

TJX

25012

Albertsons

56829

Aldi

24402

Home Depot

83976

Lowe's

60311

# Volvamos a graficar un histograma para asegurarnos \\ # de que no exite algún otro outlier. sns.histplot(data=df_stores_without_outliers, x='Stores', bins=20, color='red') plt.title('Quantity of stores (Without BIAS)') plt.show() # Considero que ya no hay outliers.

# Calculamos el promedio de las tiendas con el método ".mean()" y lo imprimimos en pantalla stores_avg = int(df_stores_without_outliers['Stores'].mean()) print("La mayoría de las empresas tiene, en promedio, {:,} tiendas.".format(stores_avg)) # Sumamos todas las tiendas con el método ".sum()" y lo imprimimos en pantalla. stores_sum = int(df_stores_without_outliers['Stores'].sum()) print("La mayoría de las empresas tiene, en total, {:,} tiendas.".format(stores_sum))

La mayoría de las empresas tiene, en promedio, 1,328 tiendas.
La mayoría de las empresas tiene, en total, 21,258 tiendas.

# ¿Entre más tiendas, mayores las ganancias? # Con seaborn, podemos visualizar la relación entre tiendas y ganancias. sns.jointplot(data=df, x='Stores', y='Sales')

# Excluyamos a Walmart US y hagamos una regresión lineal \\ # con el método de seaborn ".limplot()". df_sorted_sales = df.sort_values('Sales', ascending=False)[1:] sns.lmplot(data=df_sorted_sales, x='Stores', y='Sales') # Como podemos observar, la pendiente es prácticamente horizontal, por lo tanto, no existe correlación

# Usaremos el método de pandas ".quantile()" \\ # para obtener los valores máximos y mínimos. sales_min_value = int(df['Sales'].quantile(q=0-0)) sales_max_value = int(df['Sales'].quantile(q=1.0)) print("Valores con Walmart US: \t min: {:,} \t max: {:,}".format(sales_min_value, sales_max_value))

Valores con Walmart US: 	 min: 16,592 	 max: 658,119

# Para obtener el rango se resta el valor máximo - valor mínimo. sales_range = sales_max_value - sales_min_value print("El rango de ventas es de ${:,} (Contando a Walmart US)".format(sales_range))

El rango de ventas es de $641,527 (Contando a Walmart US)

# ¿Cuál es el rango de ventas sin Walmart US? # usando ne nuevo el método ".quantile()" y slicing. sales_min_value = int(df['Sales'].quantile(q=0-0)) sales_max_value = int(df['Sales'][1:].quantile(q=1.0)) print("Valores sin Walmart US: \t min: {:,} \t max: {:,}".format(sales_min_value, sales_max_value))

Valores sin Walmart US: 	 min: 16,592 	 max: 115,037

# Rango sin Walmart US. sales_range = sales_max_value - sales_min_value print("El rango de ventas es de ${:,} (Sin contar a Walmart US)".format(sales_range))

El rango de ventas es de $98,445 (Sin contar a Walmart US)

# Obtener las 5 empresas que tienen más tiendas físicas. df_sorted_stores = df.sort_values('Stores', ascending=False)[:5] # Guardaremos el resultado en dos listas diferentes, una con el nombre\\ # de la compañía y otra con su respectiva cantidad. top_stores_companies = list(df_sorted_stores['Company']) top_stores_cuantities = list(df_sorted_stores['Stores'])

# Ciclo for para imprimir el nombre de la tienda \\ # con su respectiva cantidad de tiendas. print('Top 5 Compañías con más tiendas físicas:') for i, company in enumerate(top_stores_companies): print("\t{}. {}: {:,}".format(i+1, company, int(top_stores_cuantities[i])))

Top 5 Compañías con más tiendas físicas:
	1. Dollar Tree: 14,250
	2. Dollar General: 13,350
	3. CVS incl. Target: 9,813
	4. Walgreen Boots: 8,002
	5. Walmart US: 4,574

# Gráfico de las 5 empresas que tienen más tiendas físicas. plt.style.use('ggplot') #sns.barplot(data=top_companies_with_stores, x='Company', y='Stores') plt.bar(top_stores_companies, top_stores_cuantities) plt.ylabel('Stores quantity') plt.xlabel('Company') plt.xticks(rotation=40) plt.show()

# ¿Cuáles son las 5 empresas que más ventas tuvieron? df_sorted_sales = df.sort_values('Sales', ascending=False)[:5] # Separaremos el resultado en dos listas, una con el nombre de la compañía \\ # y la otra con su respectiva cantidad de ventas. top_sales_companies = list(df_sorted_sales['Company']) top_sales_quantities = list(df_sorted_sales['Sales'])

# Ciclo for para imprimir el nombre de la compañía con su \\ # respectiva cantidad de ventas. print("Top 5 compañías con más ventas (Millones de Dólares):") for i, company in enumerate(top_sales_companies): print("\t{}. {}: ${:,}".format(i+1, company, int(top_sales_quantities[i])))

Top 5 compañías con más ventas (Millones de Dólares):
	1. Walmart US: $658,119
	2. Kroger: $115,037
	3. Costco: $90,048
	4. Home Depot: $83,976
	5. Walgreen Boots: $78,924

# Gráfico del Top 5 empresas con más ventas. plt.style.use('ggplot') plt.bar(top_sales_companies, top_sales_quantities) plt.ylabel('Sales') plt.xlabel('Company') plt.xticks(rotation=40) plt.grid(False) plt.show()

# Hagamos un pequeño script para hacer la comparación de las empresas con \\ # más tiendas físicas y las comapañías con más ventas. print("¿Alguna de las empresas con más tiendas físicas, está en el Top 5 compañías con más ventas?") for i, company in enumerate(top_stores_companies): print(f"\t{i+1}. {company}:", company in top_sales_companies)

¿Alguna de las empresas con más tiendas físicas, está en el Top 5 compañías con más ventas?
	1. Dollar Tree: False
	2. Dollar General: False
	3. CVS incl. Target: False
	4. Walgreen Boots: True
	5. Walmart US: True

# Agrupamos el DataFrame por categoría y hacemos una sumatoria de todos sus atributos. categories_grouped = df.groupby('Category').sum() # Nos quedamos solamente con la columna de 'Sales', ordenamos de mayor a menor y lo convertimos \\ # en un diccionario para poder manipularlo. categories_grouped_sales = dict(categories_grouped.sort_values('Sales', ascending=False)['Sales'])

# Hacemos un ciclo for para que imprima la categoría con su respectiva cantidad de ventas. print("Categorías con más ventas en Millones de dólares:") for i, (key, value) in enumerate(categories_grouped_sales.items()): print("\t{}. {}: ${:,}".format(i+1, key, value))

Categorías con más ventas en Millones de dólares:
	1. Supercenters: $745,919
	2. Grocery: $297,164
	3. Drug Stores: $184,202
	4. Home Improvement: $144,287
	5. Warehouse Club: $90,048
	6. Electronic/Mail Order: $71,687
	7. Warehouse Clubs: $56,828
	8. Department Stores: $45,088
	9. Dollar Stores: $43,698
	10. Electronics: $34,980
	11. Apparel: $25,012

# Separamos nuestro diccionario en sus llaves y valores para poder usarlo \\ # en una gráfica de barras. category = categories_grouped_sales.keys() sales = categories_grouped_sales.values() plt.bar(category, sales) plt.title('Ventas por categoría de tienda') plt.xlabel('Categoría') plt.ylabel('Ventas ($M de USD)') plt.xticks(rotation=90) plt.grid(False) plt.show()

# Empecemos ordenando de mayor a menor las compañías con más tiendas. df_sorted_stores = df.sort_values('Stores', ascending=False) df_sorted_stores.head()

Companyobject

Salesint64

Dollar Tree

21464

Dollar General

22234

CVS incl. Target

77792

Walgreen Boots

78924

Walmart US

658119

# Guardaremos en listas separadas el nombre, sus ventas y la cantidad de tiendas. companies = list(df_sorted_stores['Company']) sales = list(df_sorted_stores['Sales']) stores = list(df_sorted_stores['Stores'])

# List comprehensions para obtener la relación de \\ # "ventas por cada tienda" y guardaremos los resultados en una lista. sales_stores_relation = [sales[i]/stores[i] for i in range(0, len(companies))]

# Juntamos los resultado con su empresa correspondiente con la función "zip()" \\ # y los convertiremos en un diccionario con la función "dict()"" para ordenarlos más adelante. sales_stores_companies = dict(zip(companies, sales_stores_relation)) # Ahora ordenaremos de mayor a menor los valores con la función "sorted()" y quitaremos \\ # a Amazon y a Apple incl. Online ya que no cuentan con tiendas físicas. sales_stores_companies = sorted(sales_stores_companies.items(), key=lambda x: x[1], reverse=True)[:-2] # Nota 1: Si cambios 'x[1]' por 'x[0]' ordenaremos las llaves en lugar de los valores. # Nota 2: También podemos importar un módulo en lugar de utilizar una función lambda, # import operator # sortedDict = sorted(sales_stores_companies.items(), key=operator.itemgetter(1), reverse=True) # sortedDict = dict(sortedDict)

# Ya podemos iterar sobre nuestra lista de tuplas \\ # con un ciclo for e imprimirlo en pantalla print('Top Compañías "dólares por cada tienda": ') for i, company_list in enumerate(sales_stores_companies): print("\t{}. {}: ${:,} dólares/tienda".format(i+1, company_list[0], (int(company_list[1] * 1_000_000))))

Top Compañías "dólares por cada tienda": 
	1. Costco: $181,915,151 dólares/tienda
	2. Walmart US: $143,882,597 dólares/tienda
	3. Sam's Club: $86,760,305 dólares/tienda
	4. Meijer: $71,826,839 dólares/tienda
	5. HEB: $66,204,334 dólares/tienda
	6. Home Depot: $42,735,877 dólares/tienda
	7. Target: $40,185,101 dólares/tienda
	8. Ahold: $33,882,871 dólares/tienda
	9. Lowe's: $32,992,888 dólares/tienda
	10. Macy's: $29,277,840 dólares/tienda
	11. Kroger: $29,264,054 dólares/tienda
	12. Publix: $25,468,541 dólares/tienda
	13. Best Buy: $25,183,585 dólares/tienda
	14. Albertsons: $24,432,072 dólares/tienda
	15. Kohl's: $16,304,533 dólares/tienda
	16. Delhaize: $14,219,531 dólares/tienda
	17. Aldi: $12,074,220 dólares/tienda
	18. Walgreen Boots: $9,863,034 dólares/tienda
	19. TJX: $9,029,602 dólares/tienda
	20. CVS incl. Target: $7,927,443 dólares/tienda
	21. Rite Aid: $6,036,898 dólares/tienda
	22. Dollar General: $1,665,468 dólares/tienda
	23. Dollar Tree: $1,506,245 dólares/tienda

# Compañías que solamente venden de forma online. only_online_stores = df[df['Stores'].isna()] only_online_stores

Companyobject

Salesint64

Amazon

71687

Apple incl. Online

37664

# Compañías que solamente venden de forma física. only_physicals_stores = df.dropna() only_physicals_stores.head(7)

Companyobject

Salesint64

Walmart US

658119

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

CVS incl. Target

77792

Target

71208

# Promedio de ventas de las tiendas online y físicas. avg_sales_online_sotres = int(only_online_stores['Sales'].mean()) avg_sales_physicals_stores = int(only_physicals_stores['Sales'].mean())

# Imprimir la comparación dándole formato a la cantidad de ventas y al procentaje. print("El promedio de ventas de las tiendas en línea es de ${:,} millones de dólares".format(avg_sales_online_sotres)) print("El promedio de ventas de las tiendas físicas es de ${:,} millones de dólares\n".format(avg_sales_physicals_stores)) print("El promedio de las ventas físicas es un {}% más grande que las ventas online (Contando a Walmart US)".format( round( ((avg_sales_physicals_stores / avg_sales_online_sotres) - 1) * 100, 2) ))

El promedio de ventas de las tiendas en línea es de $54,675 millones de dólares
El promedio de ventas de las tiendas físicas es de $72,488 millones de dólares

El promedio de las ventas físicas es un 32.58% más grande que las ventas online (Contando a Walmart US)

# Hagamos la misma comparación sin Walmart US avg_sales_online_sotres = int(only_online_stores['Sales'].mean()) avg_sales_physicals_stores = int(only_physicals_stores['Sales'][1:].mean())

# Imprimir la comparación dándole formato a la cantidad de ventas y al procentaje. print("El promedio de ventas de las tiendas en línea es de ${:,} millones de dólares".format(avg_sales_online_sotres)) print("El promedio de ventas de las tiendas físicas es de ${:,} millones de dólares\n".format(avg_sales_physicals_stores)) print("El promedio de las ventas en línea es un {}% más grande que las ventas físicas (Sin contar a Walmart US)".format( round( ((avg_sales_online_sotres / avg_sales_physicals_stores ) - 1) * 100, 2) ))

El promedio de ventas de las tiendas en línea es de $54,675 millones de dólares
El promedio de ventas de las tiendas físicas es de $45,868 millones de dólares

El promedio de las ventas en línea es un 19.2% más grande que las ventas físicas (Sin contar a Walmart US)

# Ordenaremos nuestro DataFrame por el crecimiento de tiendas df_sorted_stores_growth = df.sort_values('Store Count Growth', ascending=False)[:5] df_sorted_stores_growth.head()

Companyobject

Salesint64

CVS incl. Target

77792

Dollar General

22234

Aldi

24402

Meijer

16592

Macy's

26028

# Guardaremos el nombre de la compañía, su categoría y su radio de crecimiento en \\ # tres variable, también empaquetaremos todo con la función "zip()". top_stores_growth_companies = df_sorted_stores_growth['Company'] top_stores_growth_categories = df_sorted_stores_growth['Category'] top_stores_growth_ratio = round(df_sorted_stores_growth['Store Count Growth'], 3) top_stores_growth = zip( top_stores_growth_companies, top_stores_growth_categories, top_stores_growth_ratio )

# Imprimimos con un ciclo for la compañía, su categoría y su crecimiento. for i, store in enumerate(top_stores_growth): print("{}. Company: {} - Category: {} - Growth Ratio: {}".format(i+1, store[0], store[1], store[2]))

1. Company: CVS incl. Target - Category: Drug Stores - Growth Ratio: 0.256
2. Company: Dollar General - Category: Dollar Stores - Growth Ratio: 0.132
3. Company: Aldi - Category: Grocery - Growth Ratio: 0.112
4. Company: Meijer - Category: Supercenters - Growth Ratio: 0.085
5. Company: Macy's - Category: Department Stores - Growth Ratio: 0.083

# Graficamos las 5 empresas con más crecimiento plt.bar(top_stores_growth_companies, top_stores_growth_ratio) plt.title('Top 5 Companies with more growth') plt.xlabel('Company') plt.ylabel('Growth Ratio') plt.xticks(rotation=30) plt.grid(False) plt.show()

# Haremos lo mismo, pero ahora buscaremos las empresas con menor crecimiento. df_sorted_stores_ungrowth = df.sort_values('Store Count Growth')[:5] df_sorted_stores_ungrowth.head()

Companyobject

Salesint64

Delhaize

18201

Albertsons

56829

Best Buy

34980

Walgreen Boots

78924

Target

71208

# Guardaremos el nombre de la compañía, su categoría y su radio de decrecimiento en \\ # tres variable, también empaquetaremos todo con la función "zip()". top_stores_ungrowth_companies = df_sorted_stores_ungrowth['Company'] top_stores_ungrowth_categories = df_sorted_stores_ungrowth['Category'] top_stores_ungrowth_ratio = round(df_sorted_stores_ungrowth['Store Count Growth'], 3) top_stores_ungrowth = zip( top_stores_ungrowth_companies, top_stores_ungrowth_categories, top_stores_ungrowth_ratio )

# Imprimimos con un ciclo for la compañía, su categoría y su decrecimiento. for i, store in enumerate(top_stores_ungrowth): print("{}. Company: {} - Category: {} - Growth Ratio: {}".format(i+1, store[0], store[1], store[2]))

1. Company: Delhaize - Category: Grocery - Growth Ratio: -0.06
2. Company: Albertsons - Category: Grocery - Growth Ratio: -0.044
3. Company: Best Buy - Category: Electronics - Growth Ratio: -0.039
4. Company: Walgreen Boots - Category: Drug Stores - Growth Ratio: -0.011
5. Company: Target - Category: Supercenters - Growth Ratio: -0.01

# Graficamos las 5 empresas con más decrecimiento plt.bar(top_stores_ungrowth_companies, top_stores_ungrowth_ratio) plt.title('Top 5 Companies with less growth') plt.xlabel('Company') plt.ylabel('Growth Ratio') plt.xticks(rotation=30) plt.grid(False) plt.show()

# Agrupamos por categoría, sumamos todos los valores. df_groupedby_categories = df.groupby('Category').sum() # Ordenamos de menor a mayor y nos quedamos con los primeros 5. df_groupedby_categories_sorted = df_groupedby_categories.sort_values('Sales')[:5] df_groupedby_categories_sorted.head()

Salesint64

Storesfloat64

Apparel

25012

2770

Electronics

34980

1389

Dollar Stores

43698

27600

Department Stores

45088

2058

Warehouse Clubs

56828

655

# Nos quedamos solamente con la categoría y sus ventas y \\ # lo convertimos en un diccionario. less_profitable_categories_dict = df_groupedby_categories_sorted['Sales'].to_dict()

# Con un ciclo for imprimimos las categorías y sus ventas. print("Las 5 categorías menos rentables son (Millones de USD):") for i, (key, value) in enumerate(less_profitable_categories_dict.items()): print("\t{}.{}: ${:,}".format(i+1, key, value))

Las 5 categorías menos rentables son (Millones de USD):
	1.Apparel: $25,012
	2.Electronics: $34,980
	3.Dollar Stores: $43,698
	4.Department Stores: $45,088
	5.Warehouse Clubs: $56,828

# Graficamos con Matplotlib. plt.bar(less_profitable_categories_dict.keys(), less_profitable_categories_dict.values()) plt.title('Top 5 Categories less profitable') plt.xlabel('Category') plt.ylabel('Sales') plt.xticks(rotation=30) plt.grid(False) plt.show()

df_without_walmart = df[1:] sns.jointplot(data=df_without_walmart, x='Store Count Growth', y='Sales', kind='reg') plt.title('Sales / Store Count Growth Relation') plt.show()