¿Cómo visualizar los datos de nuestras transacciones?
Visualizar datos no es solo una cuestión estética; es un pilar fundamental para entender y comunicar nuestras historias de datos de manera efectiva. En este contexto, utilizamos Matplotlib, una de las librerías más versátiles en Python, para realizar gráficos que representan nuestras transacciones. Nuestro enfoque principal es identificar las devoluciones y las transacciones efectivas en nuestra base de datos.
¿Cómo contamos las devoluciones y las transacciones sin devolución?
Comenzamos clasificando nuestras transacciones en aquellas con devoluciones y aquellas sin ellas. Utilizamos nuestro DataFrame para filtrar:
total_devoluciones = df[df['cantidad'] < 0]
print(total_devoluciones.shape[0])
sin_devoluciones = df[df['cantidad'] >= 0]
print(sin_devoluciones.shape[0])
Esto nos permite tener una visión clara sobre cuántas transacciones implicaron devoluciones versus cuántas no lo hicieron.
¿Cómo podemos crear un gráfico de pastel para visualizar devoluciones?
La visualización con gráficos de pastel nos ayuda a interpretar la proporción de transacciones con devoluciones frente a las que no. Así es como creamos este tipo de visualización:
- Importar Matplotlib y preparar los datos:
import matplotlib.pyplot as plt
labels = ['Devoluciones', 'No devoluciones']
sizes = [total_devoluciones.shape[0], sin_devoluciones.shape[0]]
colors = ['coral', 'lightgreen']
- Configurar y mostrar el gráfico de pastel:
plt.figure(figsize=(8, 8))
plt.pie(sizes, labels=labels, colors=colors, startangle=140, autopct='%1.1f%%')
plt.title('Porcentaje de Transacciones con y sin Devolución')
plt.show()
Este gráfico ilustra visualmente la relación entre devoluciones y transacciones exitosas, permitiéndonos identificar rápidamente tendencias o anomalías.
¿Cómo evaluar las ventas por mes y año?
Analizar las ventas por intervalos de tiempo puede ofrecer perspectivas únicas y detalladas sobre el comportamiento de compra. Al usar gráficos de barras, podemos deducir claramente cuál ha sido el comportamiento de las ventas a lo largo del tiempo.
¿Cómo creamos un gráfico de barras para las ventas?
El gráfico de barras es perfecto para visualizar cambios cuantitativos. Sigamos los pasos para implementarlo:
- Agrupar los datos por año y mes:
monthly_sales = df.groupby(['año', 'mes'])['total_amount'].sum()
- Diseñar el gráfico:
plt.figure(figsize=(12, 6))
monthly_sales.plot(kind='bar')
plt.title('Distribución de Ventas por Mes y Año')
plt.xlabel('Año, Mes')
plt.ylabel('Ventas Totales')
plt.show()
Esta estrategia nos permite identificar picos en las ventas y entender mejor el impacto estacional y mensual sobre el rendimiento de nuestras ventas.
¿Cuáles son los 10 productos más vendidos?
Finalmente, es esencial conocer cuáles productos se destacan en nuestro portafolio. Al crear un gráfico de barras horizontal del top de productos, conseguimos esta importante información.
¿Cómo agrupamos y visualizamos los productos más vendidos?
- Agrupar por
stock code y ordenar:
top_products = df.groupby('stock_code')['cantidad'].sum().sort_values(ascending=False).head(10)
- Dibujar el gráfico:
plt.figure(figsize=(12, 8))
top_products.plot(kind='barh', color='skyblue')
plt.title('Top 10 Productos Más Vendidos')
plt.xlabel('Cantidad Vendida')
plt.ylabel('Producto')
plt.gca().invert_yaxis()
plt.show()
Este gráfico nos dota de valiosos insights sobre qué productos impulsan más ventas y permiten un mejor posicionamiento estratégico.
En conclusión, el dominio de herramientas y técnicas de visualización de datos como las vistas aquí son esenciales para cualquier profesional en ciencia de datos. No solo enriquecen nuestras presentaciones, sino que también nos proporcionan la información clave para tomar decisiones informadas. Recuerda seguir practicando con tus propios sets de datos para fortalecer tu conocimiento. ¡El análisis y la visualización de datos ofrecen nueva luz sobre el camino a seguir en cualquier negocio!
