Actividad 2.1: Maneja una base de datos

Introducción

En esta actividad estaré trabajando en R con una base de datos de excel, y posteriormente mostraré técnicas de filtrado para la base de datos. Las técnicas utilizadas fueron:

Eliminación de valores duplicados: Es importante eliminar valores duplicados en la base de datos para que no interfiera en el conteo de datos o la descripción de los mismos, asimismo puede interferir al querer manipular la base de datos en el futuro para extraer hallazgos.

Eliminación de valores irrelevantes: Aquí decidí eliminar los valores cuyo precio sea menor a 0 porque no traen ingresos para la tienda. Asimismo decidí eliminar todos aquellos artículos que tengan una cantidad faltante en el excel.

Reajuste del formato de fecha: Simplemente para que se lea de manera más sencilla el documento, se cambió la fecha a formato dd/mm/aa.

Carga de Datos

Primero, cargamos los datos desde un archivo Excel usando la librería readxl.

library(readxl)

## Warning: package 'readxl' was built under R version 4.1.3

ruta_archivo <- "C:/Users/maxwi/Desktop/Abarrotes_Ventas-2.xlsx"
nombre_hoja <- "Total"

datos <- read_excel(ruta_archivo, sheet = nombre_hoja)

## Código para clasificar las variables
num_variables <- ncol(datos)

num_registros <- nrow(datos)

cat("Número de variables (columnas):", num_variables, "\n")

## Número de variables (columnas): 22

cat("Número de registros (filas):", num_registros, "\n")

## Número de registros (filas): 200620

clasificacion <- sapply(datos, function(columna) {
  if (is.factor(columna) || is.character(columna)) {
    "Cualitativa"
  } else if (is.integer(columna)) {
    "Cuantitativa Discreta"
  } else if (is.numeric(columna)) {
    "Cuantitativa Continua"
  } else {
    "n/a"
  }
})

for (i in seq_along(clasificacion)) {
  cat(names(datos)[i], ":", clasificacion[i], "\n")
}

## vcClaveTienda : Cualitativa 
## DescGiro : Cualitativa 
## Codigo Barras : Cuantitativa Continua 
## PLU : n/a 
## Fecha : n/a 
## Hora : n/a 
## Marca : Cualitativa 
## Fabricante : Cualitativa 
## Producto : Cualitativa 
## Precio : Cuantitativa Continua 
## Ult.Costo : Cuantitativa Continua 
## Unidades : Cuantitativa Continua 
## F.Ticket : Cuantitativa Continua 
## NombreDepartamento : Cualitativa 
## NombreFamilia : Cualitativa 
## NombreCategoria : Cualitativa 
## Estado : Cualitativa 
## Mts 2 : Cuantitativa Continua 
## Tipo ubicación : Cualitativa 
## Giro : Cualitativa 
## Hora inicio : n/a 
## Hora cierre : n/a

##Escala de medición
determinar_escala <- function(columna) {
  if (is.factor(columna) || is.character(columna)) {
    "Nominal"
  } else if (is.integer(columna)) {
    "ordinal o cuantitativa discreta"
  } else if (is.numeric(columna)) {
    if (length(unique(columna)) < 10) {
      "Ordinal"
    } else {
      "cuantitativa continua"
    }
  } else {
    "desconocido"
  }
}

escalas <- sapply(datos, determinar_escala)

for (i in seq_along(escalas)) {
  cat(names(datos)[i], ":", escalas[i], "\n")
}

## vcClaveTienda : Nominal 
## DescGiro : Nominal 
## Codigo Barras : cuantitativa continua 
## PLU : desconocido 
## Fecha : desconocido 
## Hora : desconocido 
## Marca : Nominal 
## Fabricante : Nominal 
## Producto : Nominal 
## Precio : cuantitativa continua 
## Ult.Costo : cuantitativa continua 
## Unidades : cuantitativa continua 
## F.Ticket : cuantitativa continua 
## NombreDepartamento : Nominal 
## NombreFamilia : Nominal 
## NombreCategoria : Nominal 
## Estado : Nominal 
## Mts 2 : Ordinal 
## Tipo ubicación : Nominal 
## Giro : Nominal 
## Hora inicio : desconocido 
## Hora cierre : desconocido

## Código para filtrar y eliminar.
#Primera técnica de filtración: Eliminar filas duplicadas con unique. 
datos_sfd <- unique(datos)
num_filas_originales_sfd <- nrow(datos)
num_filas_limpio_sfd <- nrow(datos_sfd)
cat("Número de filas originales:", num_filas_originales_sfd, "\n")

## Número de filas originales: 200620

cat("Número de filas después de la limpieza:", num_filas_limpio_sfd, "\n")

## Número de filas después de la limpieza: 200620

#Segunda técnica de filtración: Eliminar valores irrelevantes. (Filas donde la cantidad es 0)
#Eliminando filas en donde el precio sea menor que 0.
columna_a_filtrar <- "Precio"
datos_limpio <- datos[datos[[columna_a_filtrar]] >= 0, ]
num_filas_originales_svi <- nrow(datos)
num_filas_limpio_svi <- nrow(datos_limpio)
cat("Número de filas originales:", num_filas_originales_svi, "\n")

## Número de filas originales: 200620

cat("Número de filas después de la limpieza:", num_filas_limpio_svi, "\n")

## Número de filas después de la limpieza: 200473

#Eliminando filas donde la cantidad de unidades sea faltante.
datos_limpio_sf <- datos[!is.na(datos$Unidades), ]
num_filas_originales_sf <- nrow(datos)
num_filas_limpio_sf <- nrow(datos_limpio)
cat("Número de filas originales:", num_filas_originales_sf, "\n")

## Número de filas originales: 200620

cat("Número de filas después de la limpieza:", num_filas_limpio_sf, "\n")

## Número de filas después de la limpieza: 200473

#Cambiando la columna Fecha a formato dd/mm/aa
columna_fecha_texto <- "Fecha"
datos$Fecha <- as.Date(datos[[columna_fecha_texto]], format = "%A, %d de %B de %Y")
head(datos$Fecha)

## [1] "2020-06-19" "2020-06-19" "2020-06-19" "2020-06-19" "2020-06-19"
## [6] "2020-06-19"

Reflexión

En este modulo estuvimos viendo introducción a R, un lenguaje de programación bastante efectivo y sencillo, el cual al momento de ser utilizado para trabajar con bases de datos se asemeja mucho a python. Los recursos proporcionados por el maestro en clase fueron bastante claros y sencillos de usar, ayudan a entender el fundamento de R y cómo se entrelaza de manera fácil con la filtración de bases de datos. No hace falta ser un expero para poder poner en práctica estos conocimientos y manipular bases de datos para poder extraer información relevante y hallazgos. Esto mismo sucederá con el RETO posteriormente, puesto que poderemos ejercer lo aprendido en el módulo para poder maniobrar de manera efectiva con las bases de datos del INEGI.