Actividad 4.1

Teoría

# 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 clasificación
segmentos <- kmeans(df,grupos)
#segmentos

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

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

fviz_cluster(segmentos, data=df,
             palette=c("red", "blue", "darkgreen"),
             ellipse.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.

1. Importar la base de datos

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

library(readr)
library(readr)
bd <- read.csv("/Users/roygomez/Desktop/ventas.csv")
#View(bd)

#Conocer la blase de datos
#summary(bd)

#conocer la cantidad de las varibales
#count(bd,BillNo,sort = TRUE)
#count(bd,Itemname,sort = TRUE)
#count(bd,Date,sort = TRUE)
#count(bd,Hour,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 en Costumer ID.

2. Limpieza

# ¿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 NA
bd <- na.omit(bd)

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

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

Observaciones:
4. Tenemos outliers en Total.

# Obtener cantidades de visitas por cliente
visitas <- group_by(bd, CustomerID) %>% summarise(Visitas = n_distinct(BillNo))

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

#View(ticket_prom)

# Obtener el ticket promedio
ticket_prom <- aggregate(Total ~ CustomerID, data=ticket_prom, mean)

# Juntar las tablas vistas y ticket promedio
objetos <- merge(visitas, ticket_prom, by="CustomerID")

# Llamar a los renglones como CustomerID
rownames(objetos) <- objetos$CustomerID

# Eliminar columna de CustomerID
objetos <- subset(objetos, select=-c(CustomerID))

# Eliminar datos fuera de lo normal

# Los datos fuera de lo normal están fuera de los siguientes límites:
# Límite inferior = Q1 - 1.5*IQR
# Límite superior = Q3 + 1.5*IQR
# IQR = Rango Intercuartil

# Columna visitas
IQR_V <- IQR(objetos$Visitas)
#IQR_V
summary(objetos)

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

LI_V <- 1-1.5*IQR_V
#LI_V
LS_V <-1+1.5*IQR_V
#LS_V
objetos <- objetos[objetos$Visitas <=11,]

# Columna ticket promedio
colnames(objetos) <- c("Visitas", "TicketPromedio")
IQR_TP <- IQR(objetos$Total)
#IQR_TP
LI_TP <- 178.30 - 1.5*IQR_TP
#LI_TP
LS_TP <- 426.63 + 1.5*IQR_TP
#LS_TP
objetos <- objetos[objetos$TicketPromedio <= 791.69,]
summary(objetos)

##     Visitas      TicketPromedio  
##  Min.   : 1.00   Min.   :  3.45  
##  1st Qu.: 1.00   1st Qu.:168.62  
##  Median : 2.00   Median :267.00  
##  Mean   : 2.97   Mean   :293.32  
##  3rd Qu.: 4.00   3rd Qu.:383.98  
##  Max.   :11.00   Max.   :789.56

3. Asignación de grupos (k-NN)

# 1. Crear base de datos
df <- objetos

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

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

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

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

#fviz_cluster(segmentos, data=df,
 #            palette=c("red", "blue", "darkgreen", "yellow"),
  #           ellipse.type="euclid",
    #         star.plot= T,
     #        repel= T,
      #       ggtheme= theme()
       3

## [1] 3

       #)

# 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.