Cursos Empresas Blog Live Conf Eventos Precios

0:001:25

Recursos

Resumen

Ejercicio: Análisis de Ventas Mensuales con NumPy

El objetivo de este ejercicio es trabajar con arrays de NumPy para analizar y manipular datos de ventas de tres productos a lo largo de un año. A través de diversas operaciones, explorarás cómo usar NumPy para obtener estadísticas, realizar manipulaciones avanzadas y aplicar técnicas de indexación para extraer información clave.

Instrucciones:

Paso 1: Crear Arrays con Datos de Ventas

Usa la librería numpy para crear los siguientes arrays: meses: un array con los nombres de los meses del año. ventas_A, ventas_B, ventas_C: arrays que representan las ventas mensuales de tres productos diferentes.

Paso 2: Estadísticas Básicas

Calcula la media y la suma de ventas para los productos A, B y C usando las funciones de NumPy.
Imprime estos valores en el formato siguiente:
Media de ventas Producto A: <valor>
Suma de ventas Producto A: <valor>
Repite para los productos B y C.

Paso 3: Manipulación y Análisis de Datos

Total de ventas por mes: Suma las ventas de los tres productos para cada mes.
Promedio de ventas por producto: Calcula el promedio de ventas por producto.
Mes con mayor y menor ventas: Identifica qué mes tuvo el total de ventas más alto y cuál el más bajo usando las funciones np.argmax y np.argmin.

Paso 4: Operaciones Avanzadas con NumPy

Reshape y Transposición:

Crea una matriz 2D con las ventas de los tres productos y transforma su forma (reshape) a un array tridimensional con dimensiones (3, 4, 3).
Transpone la matriz de ventas para que las filas se conviertan en columnas.
Invertir arrays: Invierte las ventas de cada producto en orden de meses.
Aplanar la matriz: Convierte la matriz de ventas a un array unidimensional.

Paso 5: Análisis de Elementos Únicos

Utiliza np.unique para encontrar los elementos únicos en los datos de ventas y cuenta cuántas veces aparece cada uno.

Paso 6: Indexación y Slicing

Ventas del primer trimestre: Extrae las ventas de los tres primeros meses del año.
Indexación booleana: Selecciona los meses donde el total de ventas de los tres productos supere los 800.
Selección avanzada: Usa una lista de índices para seleccionar las ventas de los meses pares (o selecciona los meses a tu elección) y muestra esas ventas en una nueva matriz.

Análisis de Ventas Mensuales con NumPy: Transformaciones y Insights

Curso de Python para Ciencia de Datos

Clase 9 de 32

Clase 9 / 32

Comentarios (51)51 comentarios

Andrés Felipe Barrera Naranjo

Hace 2 años

Dónde está el ejercicio a realizar, en los recursos se encuentra solucionado pero no hay un enunciado con los ejercicios específicos a realizar?

frei Cortes Garzon

Hace 2 años

Resumen

Ejercicio: Análisis de Ventas Mensuales con NumPy

Instrucciones:

Paso 1: Crear Arrays con Datos de Ventas

Usa la librería numpy para crear los siguientes arrays: meses: un array con los nombres de los meses del año. ventas_A, ventas_B, ventas_C: arrays que representan las ventas mensuales de tres productos diferentes.

Paso 2: Estadísticas Básicas

Calcula la media y la suma de ventas para los productos A, B y C usando las funciones de NumPy.
Imprime estos valores en el formato siguiente:
Media de ventas Producto A: <valor>
Suma de ventas Producto A: <valor>
Repite para los productos B y C.

Paso 3: Manipulación y Análisis de Datos

Total de ventas por mes: Suma las ventas de los tres productos para cada mes.
Promedio de ventas por producto: Calcula el promedio de ventas por producto.
Mes con mayor y menor ventas: Identifica qué mes tuvo el total de ventas más alto y cuál el más bajo usando las funciones np.argmax y np.argmin.

Paso 4: Operaciones Avanzadas con NumPy

Reshape y Transposición:

Crea una matriz 2D con las ventas de los tres productos y transforma su forma (reshape) a un array tridimensional con dimensiones (3, 4, 3).
Transpone la matriz de ventas para que las filas se conviertan en columnas.
Invertir arrays: Invierte las ventas de cada producto en orden de meses.
Aplanar la matriz: Convierte la matriz de ventas a un array unidimensional.

Paso 5: Análisis de Elementos Únicos

Utiliza np.unique para encontrar los elementos únicos en los datos de ventas y cuenta cuántas veces aparece cada uno.

Paso 6: Indexación y Slicing

Ventas del primer trimestre: Extrae las ventas de los tres primeros meses del año.
Indexación booleana: Selecciona los meses donde el total de ventas de los tres productos supere los 800.
Selección avanzada: Usa una lista de índices para seleccionar las ventas de los meses pares (o selecciona los meses a tu elección) y muestra esas ventas en una nueva matriz.

Saul Antonio Cerén Gálvez

Hace 10 meses

import numpy as np

# 1. Definir los meses del año

meses = np.array(['Ene', 'Feb', 'Mar', 'Abr', 'May', 'Jun',

'Jul', 'Ago', 'Sep', 'Oct', 'Nov', 'Dic'])

# 2. Crear los arrays de ventas (datos de ejemplo para cada producto)

impresoras = np.array([120, 150, 130, 170, 160, 180, 190, 200, 210, 230, 250, 300])

computadoras = np.array([80, 95, 110, 105, 120, 130, 140, 150, 160, 180, 220, 280])

tablets = np.array([200, 210, 190, 220, 230, 240, 250, 260, 270, 290, 350, 400])

# 3. Operaciones de Análisis con NumPy

# Total de ventas anuales por producto

total_imp = np.sum(impresoras)

total_comp = np.sum(computadoras)

total_tab = np.sum(tablets)

# Venta total mensual (suma de los 3 productos mes a mes)

total_mensual = impresoras + computadoras + tablets

# Encontrar el mes con la venta más alta de computadoras

mes_top_comp = meses[np.argmax(computadoras)]

# Mostrar resultados

print(f"--- Reporte de Ventas Anual ---")

print(f"Total Impresoras: {total_imp} unidades")

print(f"Total Computadoras: {total_comp} unidades")

print(f"Total Tablets: {total_tab} unidades")

print(f"-------------------------------")

print(f"Mes con mayor venta de Computadoras: {mes_top_comp}")

print(f"Promedio de ventas mensuales globales: {np.mean(total_mensual):.2f}")

--- Reporte de Ventas Anual ---

Total Impresoras: 2290 unidades

Total Computadoras: 1770 unidades

Total Tablets: 3110 unidades

-------------------------------

Mes con mayor venta de Computadoras: Dic

Promedio de ventas mensuales globales: 597.50

paso numero dos

# --- Cálculos para Impresoras ---

media_imp = np.mean(impresoras)

suma_imp = np.sum(impresoras)

# --- Cálculos para Computadoras ---

media_comp = np.mean(computadoras)

suma_comp = np.sum(computadoras)

# --- Cálculos para Tablets ---

media_tab = np.mean(tablets)

suma_tab = np.sum(tablets)

# --- Impresión de Resultados ---

print(f"La media de ventas de impresoras es: {media_imp:.2f} y la suma es: {suma_imp}")

print(f"La media de ventas de computadoras es: {media_comp:.2f} y la suma es: {suma_comp}")

print(f"La media de ventas de tablets es: {media_tab:.2f} y la suma es: {suma_tab}")

La media de ventas de impresoras es: 190.83 y la suma es: 2290

La media de ventas de computadoras es: 147.50 y la suma es: 1770

La media de ventas de tablets es: 259.17 y la suma es: 3110

paso tres

1. Calcular el total de ventas por mes (Suma de los 3 productos mes a mes)

ventas_totales_por_mes = impresoras + computadoras + tablets

# 2. Promedio de ventas anual de cada producto (ya los calculamos, pero los organizamos aquí)

promedio_imp = np.mean(impresoras)

promedio_comp = np.mean(computadoras)

promedio_tab = np.mean(tablets)

# 3. Obtener el mes con mayor y menor ventas globales

# Usamos argmax y argmin para encontrar el índice (posición 0 a 11)

indice_max = np.argmax(ventas_totales_por_mes)

indice_min = np.argmin(ventas_totales_por_mes)

# Usamos ese índice para buscar el nombre del mes en nuestro array de meses

mes_mayor_venta = meses[indice_max]

mes_menor_venta = meses[indice_min]

# --- IMPRESIÓN DE RESULTADOS ---

print("TOTAL DE VENTAS POR MES (Los 3 productos combinados):")

for i in range(len(meses)):

print(f"{meses[i]}: {ventas_totales_por_mes[i]} unidades")

print("\n--- PROMEDIOS POR PRODUCTO ---")

print(f"Promedio Impresoras: {promedio_imp:.2f}")

print(f"Promedio Computadoras: {promedio_comp:.2f}")

print(f"Promedio Tablets: {promedio_tab:.2f}")

print("\n--- RÉCORDS DEL AÑO ---")

print(f"El mes con MAYOR ventas totales fue {mes_mayor_venta} con {ventas_totales_por_mes[indice_max]} unidades.")

print(f"El mes con MENOR ventas totales fue {mes_menor_venta} con {ventas_totales_por_mes[indice_min]} unidades.")

TOTAL DE VENTAS POR MES (Los 3 productos combinados):

Ene: 400 unidades

Feb: 455 unidades

Mar: 430 unidades

Abr: 495 unidades

May: 510 unidades

Jun: 550 unidades

Jul: 580 unidades

Ago: 610 unidades

Sep: 640 unidades

Oct: 700 unidades

Nov: 820 unidades

Dic: 980 unidades

--- PROMEDIOS POR PRODUCTO ---

Promedio Impresoras: 190.83

Promedio Computadoras: 147.50

Promedio Tablets: 259.17

--- RÉCORDS DEL AÑO ---

El mes con MAYOR ventas totales fue Dic con 980 unidades.

El mes con MENOR ventas totales fue Ene con 400 unidades.

paso cuatro

import numpy as np

# 1. Crear la Matriz 2D (3 filas x 12 columnas)

# Cada fila representa un producto y cada columna un mes

matriz_ventas = np.array([impresoras, computadoras, tablets])

print("Dimensiones matriz original:", matriz_ventas.shape)

# 2. Transformar a un array Tridimensional (reshape)

# Esto agrupa los datos en 3 bloques, cada uno con 4 filas y 3 columnas

matriz_3d = matriz_ventas.reshape(3, 4, 3)

print("\nMatriz 3D (3, 4, 3):\n", matriz_3d)

# 3. Trasponer la matriz de ventas

# Ahora las filas (productos) serán columnas y viceversa

matriz_traspuesta = matriz_ventas.T

print("\nForma de la matriz traspuesta:", matriz_traspuesta.shape)

# 4. Invertir las ventas de cada producto (Orden de meses inverso)

# Usamos el slicing [:, ::-1] que significa: "todas las filas, meses en orden inverso"

ventas_invertidas = matriz_ventas[:, ::-1]

print("\nVentas de Enero a Diciembre invertidas (Diciembre a Enero):\n", ventas_invertidas)

# 5. Convertir la matriz de ventas a un array Unidimensional (Aplanado)

matriz_plana = matriz_ventas.flatten()

print("\nArray unidimensional (36 elementos):\n", matriz_plana)

Dimensiones matriz original: (3, 12)

Matriz 3D (3, 4, 3):

[[[120 150 130]

[170 160 180]

[190 200 210]

[230 250 300]]

[[ 80 95 110]

[105 120 130]

[140 150 160]

[180 220 280]]

[[200 210 190]

[220 230 240]

[250 260 270]

[290 350 400]]]

Forma de la matriz traspuesta: (12, 3)

Ventas de Enero a Diciembre invertidas (Diciembre a Enero):

[[300 250 230 210 200 190 180 160 170 130 150 120]

[280 220 180 160 150 140 130 120 105 110 95 80]

[400 350 290 270 260 250 240 230 220 190 210 200]]

Array unidimensional (36 elementos):

[120 150 130 170 160 180 190 200 210 230 250 300 80 95 110 105 120 130

140 150 160 180 220 280 200 210 190 220 230 240 250 260 270 290 350 400]

paso cinco

# 1. Obtenemos los valores únicos y sus frecuencias de toda la matriz

# Usamos return_counts=True para que NumPy nos diga cuántas veces aparece cada valor

valores_unicos, frecuencias = np.unique(matriz_ventas, return_counts=True)

print("--- ANÁLISIS DE VALORES ÚNICOS ---")

print(f"Se encontraron {len(valores_unicos)} valores de ventas diferentes.\n")

# 2. Imprimir los resultados de forma organizada

print("Valor de Venta | Frecuencia (Veces que aparece)")

print("----------------------------------------------")

for valor, frecuencia in zip(valores_unicos, frecuencias):

# Solo imprimimos si el valor se repite (frecuencia > 1) para que sea más útil,

# o puedes imprimirlos todos:

print(f"{valor:>14} | {frecuencia} vez/veces")

# 3. Ejemplo: ¿Cuál es el valor que más se repite?

indice_moda = np.argmax(frecuencias)

print(f"\nEl valor más común en las ventas fue: {valores_unicos[indice_moda]} (aparece {frecuencias[indice_moda]} veces)")

--- ANÁLISIS DE VALORES ÚNICOS ---

Se encontraron 25 valores de ventas diferentes.

Valor de Venta | Frecuencia (Veces que aparece)

----------------------------------------------

80 | 1 vez/veces

95 | 1 vez/veces

105 | 1 vez/veces

110 | 1 vez/veces

120 | 2 vez/veces

130 | 2 vez/veces

140 | 1 vez/veces

150 | 2 vez/veces

160 | 2 vez/veces

170 | 1 vez/veces

180 | 2 vez/veces

190 | 2 vez/veces

200 | 2 vez/veces

210 | 2 vez/veces

220 | 2 vez/veces

230 | 2 vez/veces

240 | 1 vez/veces

250 | 2 vez/veces

260 | 1 vez/veces

270 | 1 vez/veces

280 | 1 vez/veces

290 | 1 vez/veces

300 | 1 vez/veces

350 | 1 vez/veces

400 | 1 vez/veces

El valor más común en las ventas fue: 120 (aparece 2 veces)

paso seis

import numpy as np

# 1. Extraer ventas del primer trimestre (Meses 0, 1, 2 -> Ene, Feb, Mar)

# Usamos slicing [:, 0:3] que significa: todas las filas, columnas de la 0 a la 2

ventas_primer_trimestre = matriz_ventas[:, 0:3]

# 2. Seleccionar meses donde el total supera 800

# Usamos el array 'ventas_totales_por_mes' que creamos anteriormente

meses_superan_800 = meses[ventas_totales_por_mes > 800]

valores_superan_800 = ventas_totales_por_mes[ventas_totales_por_mes > 800]

# 3. Seleccionar las ventas de los meses pares (Febrero, Abril, Junio, etc.)

# En Python, los índices pares son 0, 2, 4... pero los meses pares (2, 4, 6)

# tienen índices impares (1, 3, 5...).

# Si te refieres a los meses con índice par (Ene, Mar, May...):

ventas_meses_indice_par = matriz_ventas[:, ::2]

# 4. Crear una nueva matriz con los meses de índice par

# Esta matriz tendrá 3 filas (productos) y 6 columnas (meses 0, 2, 4, 6, 8, 10)

nueva_matriz_pares = np.array(ventas_meses_indice_par)

# --- IMPRESIÓN DE RESULTADOS ---

print("--- VENTAS PRIMER TRIMESTRE ---")

print(ventas_primer_trimestre)

print("\n--- MESES CON VENTAS TOTALES > 800 ---")

for m, v in zip(meses_superan_800, valores_superan_800):

print(f"Mes: {m} | Total: {v}")

print("\n--- NUEVA MATRIZ (MESES ÍNDICE PAR) ---")

print(nueva_matriz_pares)

print(f"Forma de la nueva matriz: {nueva_matriz_pares.shape}")

--- VENTAS PRIMER TRIMESTRE ---

[[120 150 130]

[ 80 95 110]

[200 210 190]]

--- MESES CON VENTAS TOTALES > 800 ---

Mes: Nov | Total: 820

Mes: Dic | Total: 980

--- NUEVA MATRIZ (MESES ÍNDICE PAR) ---

[[120 130 160 190 210 250]

[ 80 110 120 140 160 220]

[200 190 230 250 270 350]]

Forma de la nueva matriz: (3, 6)

1. Extraer el último trimestre (Meses 9, 10, 11 -> Oct, Nov, Dic)

ventas_ultimo_trimestre = matriz_ventas[:, 9:12]

# 2. Calcular la suma total por producto para cada trimestre

suma_ini = np.sum(ventas_primer_trimestre, axis=1)

suma_fin = np.sum(ventas_ultimo_trimestre, axis=1)

# 3. Calcular el porcentaje de crecimiento

# NumPy lo hace de forma vectorizada para los 3 productos a la vez

crecimiento = ((suma_fin - suma_ini) / suma_ini) * 100

# --- RESULTADOS ---

productos = ['Impresoras', 'Computadoras', 'Tablets']

print("--- CRECIMIENTO DEL 1ER AL 4TO TRIMESTRE ---")

for i in range(len(productos)):

print(f"{productos[i]}: {crecimiento[i]:.2f}%")

--- CRECIMIENTO DEL 1ER AL 4TO TRIMESTRE ---

Impresoras: 95.00%

Computadoras: 138.60%

Tablets: 73.33%

Hanns Maza

Brayan Raul Kari

Hace un año

Muchas gracias!!

Oscar Puentes

rodrigo nicolas merlo

el tema era hacerlo con numpy no era necesario hacer una app pero esta bueno

Cristian Miguel Gómez Salazar

Aquí comparto mi solución al reto:

Marina Barraza

Caso Práctico de Análisis de Datos

El objetivo es realizar un análisis de datos de ventas mensuales para 3 productos en una tienda, durante 1 año. Donde realizaras transformaciones básicas para obtener insights valiosos sobre e rendimiento de cada una de estas ventas.

Encontraras toda la información del ejercicio en los recursos de esta clase.

Jhon Freddy Tavera Blandon

FABIAN PEREZ

me tomó como 1 hora y media resolver todo el el ejercicio

Dayana Castillo

Jhon Alexander Mosquera Vanegas

Hace 14 días

El ejercicio de ventas mensuales de tres productos durante un año deja ver algo que a veces se pasa por alto: los mismos datos admiten tres lecturas distintas según lo que se sume. El total por producto indica cuál pesa más, el total por mes muestra cómo se mueve la venta a lo largo del año y el total anual resume el cierre. Es decir, el cálculo es sencillo, pero la pregunta de negocio decide qué suma hacer. Por eso conviene escribir primero la pregunta que se quiere responder y solo después elegir cómo agrupar los datos.

José Arturo Melgar Martínez

Hace 18 días

Daniel stevens Celorio sanabria

Hace 2 meses

benjamín Tamayo

Hace 3 meses

como se calcula la media

Calcular la media en NumPy es tan directo como sumar todos los valores y dividirlos entre el total, pero la gracia aquí es hacerlo con una sola función optimizada.

¿Recuerdas cuál es el nombre de esa función que reduce las dimensiones de tu matriz para darte el promedio por mes o por producto?

Steven Rengifo