Caso de Estudio (Parte II). Creación de columnas

```python #ventas trimnestrales data_cleanded['Quarter']=data_cleanded['Month'].apply(lambda x: 1 if x<=3 else (2 if x<=6 else (3 if x<=9 else 4))) sales_by_semester=data_cleanded.groupby(['Year','Quarter'])['TotalAmount'].sum() print(sales_by_semester) #ventas por mes sales_by_month_year=data_cleanded.groupby(['Year','Month'])['TotalAmount'].sum() print(sales_by_month_year) ```

***Ventas Trimestrales*** 

Crear y transformar columnas es una práctica esencial en el preprocesamiento de datos. Estas transformaciones permiten que los datos sean más interpretables y compatibles con los métodos analíticos y modelos que se utilizarán. Sin estas transformaciones, es probable que la calidad del análisis se vea comprometida, y que los modelos no alcancen su máximo rendimiento debido a datos mal preparados o subutilizados. Además, la capacidad de crear nuevas características puede ser un factor clave en la obtención de insights más profundos y en la mejora de la capacidad predictiva de los modelos.

La \*\*creación de columnas\*\* es una operación común en el análisis de datos con bibliotecas como \*\*Pandas\*\*. Puedes crear nuevas columnas basadas en cálculos, transformaciones, combinaciones de otras columnas, o asignar valores predeterminados. Aquí te muestro algunas formas comunes de crear columnas en un DataFrame de \*\*Pandas\*\*. \### 1. \*\*Crear una columna asignando un valor fijo\*\* Puedes crear una nueva columna y asignar un valor constante a todas las filas. ```python import pandas as pd \# Crear un DataFrame de ejemplo data = {'Nombre': \['Ana', 'Luis', 'Carlos', 'Julia'], 'Edad': \[23, 34, 45, 28]} df = pd.DataFrame(data) \# Crear una nueva columna asignando un valor constante df\['Ciudad'] = 'Desconocido' print(df) ``` \### 2. \*\*Crear una columna basada en otra columna\*\* Puedes crear una columna nueva aplicando una operación matemática o lógica sobre otra columna existente. \#### Ejemplo: Calcular una nueva columna a partir de una columna existente ```python \# Crear una nueva columna calculando el doble de la edad df\['Edad\_doble'] = df\['Edad'] \* 2 print(df) ``` \### 3. \*\*Crear una columna basada en condiciones\*\* Es posible crear columnas que se generen con base en condiciones lógicas aplicadas a otras columnas. \#### Ejemplo: Crear una columna que indique si la persona es mayor de 30 años ```python \# Crear una nueva columna con valores basados en una condición df\['Mayor\_de\_30'] = df\['Edad'] > 30 print(df) ``` \### 4. \*\*Crear una columna utilizando funciones personalizadas\*\* Si necesitas aplicar una lógica más compleja, puedes usar el método `apply()` para aplicar una función a las filas o columnas. \#### Ejemplo: Crear una columna con una función personalizada ```python \# Definir una función que devuelva una clasificación basada en la edad def clasificar\_edad(edad): if edad < 30: return 'Joven' elif 30 <= edad < 40: return 'Adulto Joven' else: return 'Mayor' \# Aplicar la función a la columna 'Edad' df\['Clasificación\_Edad'] = df\['Edad'].apply(clasificar\_edad) print(df) ``` \### 5. \*\*Crear columnas combinando varias columnas\*\* Puedes crear una columna combinando los valores de dos o más columnas. \#### Ejemplo: Crear una columna combinada de nombre y edad ```python \# Crear una nueva columna combinando 'Nombre' y 'Edad' df\['Descripción'] = df\['Nombre'] + ' tiene ' + df\['Edad'].astype(str) + ' años.' print(df) ``` \### 6. \*\*Crear una columna con datos categóricos a partir de una variable numérica\*\* En algunos casos, puedes transformar una variable numérica en categorías. \#### Ejemplo: Crear categorías de edad ```python \# Crear categorías de edad utilizando pd.cut() df\['Grupo\_Edad'] = pd.cut(df\['Edad'], bins=\[0, 18, 35, 50, 100], labels=\['Niño', 'Joven', 'Adulto', 'Mayor']) print(df) ``` \### 7. \*\*Crear una columna utilizando el método `assign()`\*\* El método `assign()` de Pandas te permite crear nuevas columnas de una manera funcional y encadenada, lo que puede ser útil cuando realizas múltiples operaciones secuenciales. \#### Ejemplo: ```python \# Crear nuevas columnas utilizando assign() df = df.assign(Edad\_más\_5 = df\['Edad'] + 5, Es\_adulto = df\['Edad'] >= 18) print(df) ``` \### 8. \*\*Crear columnas a partir de expresiones regulares (Regex)\*\* Si necesitas extraer información de cadenas de texto, puedes utilizar expresiones regulares para crear nuevas columnas. \#### Ejemplo: Extraer la primera letra del nombre ```python \# Crear una nueva columna extrayendo la primera letra de 'Nombre' df\['Inicial'] = df\['Nombre'].str\[0] print(df) ``` \### 9. \*\*Crear columnas a partir de múltiples condiciones con `np.select()`\*\* Cuando tienes múltiples condiciones para generar una nueva columna, puedes utilizar `np.select()` de NumPy para mayor flexibilidad. \#### Ejemplo: ```python import numpy as np \# Definir condiciones condiciones = \[ (df\['Edad'] < 18), (df\['Edad'] >= 18) & (df\['Edad'] < 35), (df\['Edad'] >= 35) ] \# Definir los resultados correspondientes resultados = \['Niño', 'Joven', 'Adulto'] \# Crear una nueva columna basada en las condiciones df\['Categoría\_Edad'] = np.select(condiciones, resultados) print(df) ``` \### Conclusión Crear columnas en Pandas es un proceso flexible que te permite manipular y transformar tus datos según las necesidades del análisis. Puedes crear columnas a partir de cálculos simples, funciones personalizadas, condiciones lógicas, combinaciones de otras columnas, y más.

Yo hallé un insight que espero sera importante para cuando se realiza análisis de datos. * Hallar cuáles son las ventas de cada mes para los tres primeros países que nos generan más ventas ```python # Obtener los 3 mejores paises según la cantidad de ventas que nos generan top_3_country = data_cleaned.groupby('Country')['Quantity'].sum().sort_values(ascending=False).head(3) print(top_3_country) # Crear un nuevo dataset en base a los 3 países data_top_3_country_in_sales = data_cleaned[ (data_cleaned['Country'] == 'United Kingdom') | (data_cleaned['Country'] == 'Netherlands') | (data_cleaned['Country'] == 'EIRE') ] # Conocer si los 3 países han hecho compras en todo el año o solo en algunos meses sales_months = data_top_3_country_in_sales.groupby(['Country', 'Year', 'Month'])['Quantity'].sum() print(sales_months) ```

Mi aporte al reto, agrupación por trimestres y mes `# Creacion de nuevas columnas con nuevos datos a obtener` `df_cleaned["TotalAmount"] = df_cleaned["Quantity"] * df_cleaned["UnitPrice"]df_cleaned["Year"] = df_cleaned["InvoiceDate"].dt.yeardf_cleaned["Month"] = df_cleaned["InvoiceDate"].dt.monthdf_cleaned["Day"] = df_cleaned["InvoiceDate"].dt.daydf_cleaned["Semester"] = df_cleaned["Month"].apply(lambda x:1 if x<=6 else 2) ``# Aqui aplico funcion a la columna para obtener semestre``df_cleaned["Trimestre"] = df_cleaned["Month"].apply(lambda x:1 if x<=3 else 2 if x<=6 else 3 if x<=9 else 4) ``# Aqui aplico funcion a la columna para obtener trimestre` `# Creamos un nuevo df con agrupaciones o informaciòn especifica ` `sales_by_year = df_cleaned.groupby("Year")["TotalAmount"].sum() ``# aquie agrupa por año``sales_by_semester = df_cleaned.groupby(["Year","Semester"])["TotalAmount"].sum() ``# aquie agrupa por semestre``sales_by_trimestre = df_cleaned.groupby(["Year","Trimestre"])["TotalAmount"].sum() ``# aquie agrupa por trimestre``sales_by_month = df_cleaned.groupby(["Year","Month"])["TotalAmount"].sum() ``# aquie agrupa por mes`

```js data['Trimestre']= data['Mes'].apply(lambda x:1 if x<=3 else 2 if x<=6 else 3 if x<=9 else 4) data['Mensual']= data['Mes'].apply(lambda x:1 if x<=1 else 2 if x<=2 else 3 if x<=3 else 4 if x<=4 else 5 if x<=5 else 6 if x<=6 else 7 if x<=7 else 8 if x<=8 else 9 if x<=9 else 10 if x<=10 else 11 if x<=11 else 12) ```

¡Hola! Este es mi aporte: ```js #Ventas trimestrales data_cleaned['Quarter'] = data_cleaned['InvoiceDate'].dt.quarter sales_by_quarter = data_cleaned.groupby(['Year', 'Quarter'])['TotalAmount'].sum() sales_by_quarter #Ventas mensuales data_cleaned['MonthName'] = data_cleaned['InvoiceDate'].dt.month_name() sales_by_month = data_cleaned.groupby(['Year', 'MonthName'], sort=False)['TotalAmount'].sum() sales_by_month ```

Mi aporte de la ventas por trimestre ```js #creción trimestre y conteo de ventas trimestrales data_cleaned['Quater'] = data_cleaned['Month'].apply(lambda x: 'Q1' if x <= 3 else ('Q2' if x <= 6 else ('Q3' if x <= 9 else 'Q4'))) sales_by_quater = data_cleaned.groupby(['Year' ,'Quater'])['TotalAmount'].sum() sales_by_quater ```

Aparte de que no se habia ejecutado la linea anterior habia un typo "Semestre" en lugar de "Semester" en inglés.

```python #Ventas trimestrales #definmos la función de trimestre def trimestre(month): if month<=3 : return 1 elif month<=6 : return 2 elif month<=9 : return 3 else: return 4 #Creamos la columna de trimestro y aplicamos la función data_clened['Trimestrales'] = data_clened['Month'].apply(trimestre) data_clened.head() #Datos de ventas totales por trimestre sales_by_trimestrales = data_clened.groupby(['Year', 'Semestre','Trimestrales'])['Total Amount'].sum() sales_by_trimestrales #Ventas totales por meses #definmos la función de meses def mensual(key): meses = { 1: 'Enero', 2: 'Febrero', 3: 'Marzo', 4: 'Abril', 5: 'Mayo', 6: 'Junio', 7: 'Julio', 8: 'Agosto', 9: 'Septiembre', 10: 'Octubre', 11: 'Noviembre', 12: 'Diciembre' } if key in meses: return meses[key] #Crear una columna con los meses data_clened['Mensual'] = data_clened['Month'].apply(mensual) data_clened.head() #Datos de ventas totales por meses en texto sales_by_mensual = data_clened.groupby(['Year', 'Semestre','Trimestrales','Mensual'])['Total Amount'].sum() sales_by_mensual ```#Ventas trimestrales #definmos la función de trimestre def trimestre(month): if month<=3 : return 1 elif month<=6 : return 2 elif month<=9 : return 3 else: return 4 #Creamos la columna de trimestro y aplicamos la función data\_clened\['Trimestrales'] = data\_clened\['Month'].apply(trimestre) data\_clened.head() #Datos de ventas totales por trimestre sales\_by\_trimestrales = data\_clened.groupby(\['Year', 'Semestre','Trimestrales'])\['Total Amount'].sum() sales\_by\_trimestrales #Ventas totales por meses #definmos la función de meses def mensual(key): meses = { 1: 'Enero', 2: 'Febrero', 3: 'Marzo', 4: 'Abril', 5: 'Mayo', 6: 'Junio', 7: 'Julio', 8: 'Agosto', 9: 'Septiembre', 10: 'Octubre', 11: 'Noviembre', 12: 'Diciembre' } if key in meses: return meses\[key] #Crear una columna con los meses data\_clened\['Mensual'] = data\_clened\['Month'].apply(mensual) data\_clened.head() #Datos de ventas totales por meses en texto sales\_by\_mensual = data\_clened.groupby(\['Year', 'Semestre','Trimestrales','Mensual'])\['Total Amount'].sum() sales\_by\_mensual

Ventas por mes: ```python sales_by_month = df_clean.groupby('Month')['TotalAmount'].sum() sales_by_month ```Ventas por trimestre: ```python def quarter(month): if month <= 3: return 1 elif month > 3 and month <= 6 : return 2 elif month > 6 and month <= 9: return 3 else: return 4 df_clean['quarter'] = df_clean['Month'].apply(quarter) df_clean.head() sales_by_quarter = df_clean.groupby(['Year', 'quarter'])['TotalAmount'].sum() sales_by_quarter ```

Así quedaría el código para clasificar la información por trimestre aplicando una función lambda a la columna de meses ````python data_cleaned['Trimestre'] = data_cleaned['Month'].apply(lambda x: 1 if x <= 3 else (2 if x <= 6 else (3 if x <= 9 else 4))) sales_by_trimestre = data_cleaned.groupby(['Year', 'Trimestre'])['TotalAmount'].sum() sales_by_trimestre ```data\_cleaned\['Trimestre'] = data\_cleaned\['Month'].apply(lambda x: 1 if x <= 3 else (2 if x <= 6 else (3 if x <= 9 else 4))) sales\_by\_trimestre = data\_cleaned.groupby(\['Year', 'Trimestre'])\['TotalAmount'].sum() sales\_by\_trimestre ````

``` monthly\_sales = data\_cleaned.groupby(\['Year', 'Month'])\['TotalAmount'].sum()monthly\_sales ``` ``` data\_cleaned\['Trimester'] = data\_cleaned\['Month'].apply(lambda x: 1 if x <= 3 else (2 if x <= 6 else 3 ))data\_cleaned.head() ``` ``` trimestral\_sales = data\_cleaned.groupby(\['Year', 'Trimester'])\['TotalAmount'].sum()trimestral\_sales ```

```python data_cleaned['Quarter'] = data_cleaned['Month'].apply(lambda x: 1 if x <= 3 else 2 if x <= 6 else 3 if x <= 9 else 4) ```

Hello all. I share the code for the example: by month: data\_cleaned\['Month']=data\_cleaned\['InvoiceDate'].dt.month sales\_by\_month=data\_cleaned.groupby(\['Year','Month'])\['TotalAmount'].sum()

```python # Calculo la columna por quatrimestre data_cleaned['Quarter']=data_cleaned['Month'].apply(lambda x: 1 if x<=3 else (2 if x<=6 else (3 if x<=9 else 4))) # Realizo un pivot con los datos del año y de cada quarter pivot_table= pd.pivot_table(data_cleaned, values="TotalAmount", index="Year", columns="Quarter",aggfunc="sum") print(pivot_table) ```data\_cleaned\['Quarter']=data\_cleaned\['Month'].apply(lambda x: 1 if x<=3 else (2 if x<=6 else (3 if x<=9 else 4))) pivot\_table= pd.pivot\_table(data\_cleaned, values="TotalAmount", index="Year", columns="Quarter",aggfunc="sum")print(pivot\_table)

## Asignación de Trimestres Basado en el Mes En este paso, se utiliza una función llamada Quarterly\_sales para clasificar cada mes en su trimestre fiscal correspondiente. La función asigna: **-Trimestre 1** para los meses de enero a marzo **-Trimestre 2** para los meses de abril a junio **-Trimestre 3** para los meses de julio a septiembre **-Trimestre 4** para los meses de octubre a diciembre La función Quarterly\_sales se aplica a la columna month del DataFrame data\_cleaned, creando una nueva columna llamada quarterly sales. Esta nueva columna clasifica cada registro en su trimestre respectivo, facilitando el análisis de los datos de ventas de manera trimestral. ```js def Quarterly_sales(month): if month <= 3: return 'Quarter 1' elif 3 < month <= 6: return 'Quarter 2' elif 6 < month <= 9: return 'Quarter 3' else: return 'Quarter 4' data_cleaned['Quarterly sales'] = data_cleaned['Month'].apply(Quarterly_sales) sales_by_quarter = data_cleaned.groupby(['Year','Quarterly sales'])['Total Amount'].sum() sales_by_quarter Year Quarterly sales 2010 Quarter 4 552372.860 2011 Quarter 1 1487842.180 Quarter 2 1679096.861 Quarter 3 2117546.643 Quarter 4 2441660.880 dtype: float64 ```def Quarterly\_sales(month): if month <= 3: return 'Quarter 1' elif 3 < month <= 6: return 'Quarter 2' elif 6 < month <= 9: return 'Quarter 3' else: return 'Quarter 4' data\_cleaned\['Quarterly sales'] = data\_cleaned\['Month'].apply(Quarterly\_sales)

🟢 **Métodos 'eval' y 'query' para operaciones eficientes** En el análisis de datos con Pandas, la eficiencia y claridad en la manipulación de grandes volúmenes de información son cruciales. En este contexto, las funciones `eval()` y `query()` se destacan como herramientas que optimizan las operaciones sobre el DataFrame. Permitiendo operaciones más rápidas y con menos uso de memoria. El método `eval()` permite evaluar expresiones de cadenas dentro del contexto del DataFrame o Series. ```python df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) df.eval('C = A + B', inplace=True) print(df) ``` El método `query()` permite filtrar datos en un DataFrame usando una sintaxis similar a SQL. Es útil para seleccionar filas basadas en condiciones lógicas. ```python df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) result = df.query('A > 1') ``` Si utilizas algún tipo de Notebook, puedes utilizar %timeit para medir cuánto se demora en una operación. ```python %timeit df1 + df2 + df3 + df4 %timeit pd.eval('df1 + df2 + df3 + df4') ``` No utilices esto métodos en DataFrames pequeños, porque su eficiencia será muy poca. **Lo recomendable es utilizarlos en DataFrames de más de 10 000 filas.** Notarás la diferencia y reducirás costos de computación si tus modelos están desplegados en la nube. Espero te haya servido. **¡Nunca pares de aprender!** 🚀🚀