Actividad 4.1

"~/Desktop/ikea.gif"

## [1] "~/Desktop/ikea.gif"

<span style=“color:blue;>1. Teoria

1. Crear la base de datos

Teoria

# 1. Crear base de datos
df <- data.frame(x=c(2,2,8,5,7,6,1,4),
                 y=c (10,5,4,8,5,4,2,9))

# 2. Determinar el número de grupos
grupos <- 3

# 3. Realizar la clasificación
segmentos <- kmeans(df,grupos)
segmentos

## K-means clustering with 3 clusters of sizes 3, 3, 2
## 
## Cluster means:
##          x        y
## 1 3.666667 9.000000
## 2 7.000000 4.333333
## 3 1.500000 3.500000
## 
## Clustering vector:
## [1] 1 3 2 1 2 2 3 1
## 
## Within cluster sum of squares by cluster:
## [1] 6.666667 2.666667 5.000000
##  (between_SS / total_SS =  85.8 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"

# 4. Revisar la asignación de grupos
asignacion <- cbind(df, cluster=segmentos$cluster)
asignacion

##   x  y cluster
## 1 2 10       1
## 2 2  5       3
## 3 8  4       2
## 4 5  8       1
## 5 7  5       2
## 6 6  4       2
## 7 1  2       3
## 8 4  9       1

# 5. Graficar resultados 
#install.packages("ggplot2)
library(ggplot2)
#install.packages("factoextra")
library(factoextra)

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

fviz_cluster(segmentos, data=df,
             palette=c("red", "blue", "black", "green", "yellow"),
             ellpise.type="euclid",
             star.plot= T,
             repel= T,
             ggtheme= theme())

# 6. Optimizar cantidad de grupos
library(cluster)
library(data.table)

set.seed(123)
optimizacion <- clusGap(df, FUN=kmeans, nstart=1, K.max = 7)
plot(optimizacion, xlab= "Número de clusters K")

# El punto más alto de la gráfica indica la cantidad de grupos óptimo.
optimizacion <- clusGap

Ejercicio

1. Importarla base de datos

#file.choose()
bd <- read.csv("/Users/blancagonzalez/Desktop/ventas.csv")

2. Entender la base de datos

summary(bd)

##     BillNo            Itemname            Quantity            Date          
##  Length:522064      Length:522064      Min.   :-9600.00   Length:522064     
##  Class :character   Class :character   1st Qu.:    1.00   Class :character  
##  Mode  :character   Mode  :character   Median :    3.00   Mode  :character  
##                                        Mean   :   10.09                     
##                                        3rd Qu.:   10.00                     
##                                        Max.   :80995.00                     
##                                                                             
##      Hour               Price              CustomerID       Country         
##  Length:522064      Min.   :-11062.060   Min.   :12346    Length:522064     
##  Class :character   1st Qu.:     1.250   1st Qu.:13950    Class :character  
##  Mode  :character   Median :     2.080   Median :15265    Mode  :character  
##                     Mean   :     3.827   Mean   :15317                      
##                     3rd Qu.:     4.130   3rd Qu.:16837                      
##                     Max.   : 13541.330   Max.   :18287                      
##                                          NA's   :134041                     
##      Total          
##  Min.   :-11062.06  
##  1st Qu.:     3.75  
##  Median :     9.78  
##  Mean   :    19.69  
##  3rd Qu.:    17.40  
##  Max.   :168469.60  
## 

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:data.table':
## 
##     between, first, last

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

#count(bd,BillNo, sort=TRUE)
#count(bd,Itemname, sort=TRUE)
#count(bd,Date, sort=TRUE)
#count(bd,Hour, sort=TRUE)
#count(bd,CustomerID, sort=TRUE)
#count(bd, Country, sort=TRUE)

Observaciones: 1. Tenemos cantidades, precios y totales negativos. 2. Fecha y hora no tienen formato adecuado. 3. Tenemos NA’s en CustomerID

<span style=“color:blue;>3. Limpiar la base de datos

# ¿Cuántos NA tengo en la base de datos?
sum(is.na(bd))

## [1] 134041

# ¿Cuántos NA tengo por variable?
sapply(bd, function(x) sum(is.na(x)))

##     BillNo   Itemname   Quantity       Date       Hour      Price CustomerID 
##          0          0          0          0          0          0     134041 
##    Country      Total 
##          0          0

#Eliminar Totales negativos 
bd <- bd[bd$Total > 0,]

#Identificar outliers
boxplot(bd$Total, horizontal = TRUE)

Observaciones: 4. Tenemos presencia de datos fuera de lo normal (outliers).

# Obtener el total por ticket
ticket_promedio <- aggregate(Total ~ CustomerID + BillNo, data = bd, sum)

#Obtener el ticket promedio
ticket_promedio <- aggregate(Total ~ CustomerID, data=ticket_promedio, mean)
colnames(ticket_promedio) <- c("CustomerID", "TicketPromedio")

library(dplyr)
#Obtener cantidad de visitas por cliente
visitas <- group_by(bd, CustomerID) %>% summarize(Visitas= n_distinct(BillNo))

#Juntar las tables Ticket Promedio y Visitas
objetos <- merge(ticket_promedio, visitas,by="CustomerID")

#Llamar a los renglones como CustomerID
rownames(objetos) <- objetos$CustomerID
objetos <- subset(objetos, select = -c(CustomerID))

#Eliminar datos fuera de lo normal

#Los datos fuera de lo normal están fuera de los siguientes limites:
#Limite inferior = Q1 - 1.5*IQR
#lIMITE Superior = Q3 + 1.5*IQR
#Q1: Cuartil 1, Q3: Cuartil 3, IQR Rango Intercuartil

#Columna de Ticket Promedio
IQR_TP <- IQR(objetos$TicketPromedio)
IQR_TP

## [1] 248.3318

summary(objetos)

##  TicketPromedio        Visitas       
##  Min.   :    3.45   Min.   :  1.000  
##  1st Qu.:  178.30   1st Qu.:  1.000  
##  Median :  292.00   Median :  2.000  
##  Mean   :  415.62   Mean   :  4.227  
##  3rd Qu.:  426.63   3rd Qu.:  5.000  
##  Max.   :84236.25   Max.   :209.000

LI_TP <- 178.30 - 1.5*IQR_TP
LI_TP

## [1] -194.1977

LS_TP <- 426.63 + 1.5*IQR_TP
LS_TP

## [1] 799.1277

objetos <- objetos[objetos$TicketPromedio <= 799.13,]

IQR_V <- IQR(objetos$Visitas)
IQR_V

## [1] 4

LI_V <- 1 - 1-5*IQR_V
LI_V

## [1] -20

LS_V <- 5+1.5*IQR_V
LS_V

## [1] 11

objetos <- objetos[objetos$Visitas <= 11,]

# 0. Normalizar variables
objetos <- as.data.frame(scale(objetos))

# 1. Crear base de datos 

df <- objetos

# 2. Determinar el número de grupos
grupos <- 4

# 3. Realizar la clasificación
segmentos <- kmeans(df, grupos)

# 4. Revisar la asignción de grupos
asignacion <- cbind(df, cluster=segmentos$cluster)

# 5. Graficar resultados
# instal ggplot2 y factoextra
library(ggplot2)
library(factoextra)

fviz_cluster(segmentos, data = df,
          palette = c("red", "blue", "yellow","green"),
          ellpise.type = "euclid",
          star.plot = TRUE,
          repel = TRUE,
          ggtheme = theme())

# 6. Optimizar cantidad de grupos
library(cluster)
library(data.table)
            
set.seed(123)
optimizacion <- clusGap(df, FUN=kmeans, nstart=1,K.max = 7)
plot(optimizacion, xlab="Número de clusters K")

#El punto más alto de la gráfica indica la cantidad de grupos óptimo.