“Abarrotes”
Carolina Suárez A00837922
2024-03-04
Importar base de datos
df <- read.csv("/Users/carosuarez/Downloads/abarrotes (1).csv")Entender la base de datos
resumen <- summary(df)
resumen## vcClaveTienda DescGiro Codigo.Barras PLU
## Length:200625 Length:200625 Min. :8.347e+05 Min. : 1.00
## Class :character Class :character 1st Qu.:7.501e+12 1st Qu.: 1.00
## Mode :character Mode :character Median :7.501e+12 Median : 1.00
## Mean :5.950e+12 Mean : 2.11
## 3rd Qu.:7.501e+12 3rd Qu.: 1.00
## Max. :1.750e+13 Max. :30.00
## NA's :199188
## Fecha Hora Marca Fabricante
## Length:200625 Length:200625 Length:200625 Length:200625
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Producto Precio Ult.Costo Unidades
## Length:200625 Min. :-147.00 Min. : 0.38 Min. : 0.200
## Class :character 1st Qu.: 11.00 1st Qu.: 8.46 1st Qu.: 1.000
## Mode :character Median : 16.00 Median : 12.31 Median : 1.000
## Mean : 19.42 Mean : 15.31 Mean : 1.262
## 3rd Qu.: 25.00 3rd Qu.: 19.23 3rd Qu.: 1.000
## Max. :1000.00 Max. :769.23 Max. :96.000
##
## F.Ticket NombreDepartamento NombreFamilia NombreCategoria
## Min. : 1 Length:200625 Length:200625 Length:200625
## 1st Qu.: 33964 Class :character Class :character Class :character
## Median :105993 Mode :character Mode :character Mode :character
## Mean :193990
## 3rd Qu.:383005
## Max. :450040
##
## Estado Mts.2 Tipo.ubicación Giro
## Length:200625 Min. :47.0 Length:200625 Length:200625
## Class :character 1st Qu.:53.0 Class :character Class :character
## Mode :character Median :60.0 Mode :character Mode :character
## Mean :56.6
## 3rd Qu.:60.0
## Max. :62.0
##
## Hora.inicio Hora.cierre
## Length:200625 Length:200625
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## #install.packages("tidyverse")
library(tidyverse) # Visualizr los primeros 10 rengones de la tabla## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.0 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorstibble(df) # Visualiza los primeros 10 renglones de la tabla.## # A tibble: 200,625 × 22
## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora Marca Fabricante
## <chr> <chr> <dbl> <int> <chr> <chr> <chr> <chr>
## 1 MX001 Abarrotes 7501020540666 NA 19/06/2020 08:1… NUTR… MEXILAC
## 2 MX001 Abarrotes 7501032397906 NA 19/06/2020 08:2… DAN … DANONE DE…
## 3 MX001 Abarrotes 7501000112845 NA 19/06/2020 08:2… BIMBO GRUPO BIM…
## 4 MX001 Abarrotes 7501031302741 NA 19/06/2020 08:2… PEPSI PEPSI-COL…
## 5 MX001 Abarrotes 7501026027543 NA 19/06/2020 08:2… BLAN… FABRICA D…
## 6 MX001 Abarrotes 7501020540666 NA 19/06/2020 08:1… NUTR… MEXILAC
## 7 MX001 Abarrotes 7501032397906 NA 19/06/2020 08:2… DAN … DANONE DE…
## 8 MX001 Abarrotes 7501000112845 NA 19/06/2020 08:2… BIMBO GRUPO BIM…
## 9 MX001 Abarrotes 7501031302741 NA 19/06/2020 08:2… PEPSI PEPSI-COL…
## 10 MX001 Abarrotes 7501026027543 NA 19/06/2020 08:2… BLAN… FABRICA D…
## # ℹ 200,615 more rows
## # ℹ 14 more variables: Producto <chr>, Precio <dbl>, Ult.Costo <dbl>,
## # Unidades <dbl>, F.Ticket <int>, NombreDepartamento <chr>,
## # NombreFamilia <chr>, NombreCategoria <chr>, Estado <chr>, Mts.2 <int>,
## # Tipo.ubicación <chr>, Giro <chr>, Hora.inicio <chr>, Hora.cierre <chr>str(df) # Visualiza en texto las variables, su tipo y ejemplos.## 'data.frame': 200625 obs. of 22 variables:
## $ vcClaveTienda : chr "MX001" "MX001" "MX001" "MX001" ...
## $ DescGiro : chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ Codigo.Barras : num 7.5e+12 7.5e+12 7.5e+12 7.5e+12 7.5e+12 ...
## $ PLU : int NA NA NA NA NA NA NA NA NA NA ...
## $ Fecha : chr "19/06/2020" "19/06/2020" "19/06/2020" "19/06/2020" ...
## $ Hora : chr "08:16:21" "08:23:33" "08:24:33" "08:24:33" ...
## $ Marca : chr "NUTRI LECHE" "DAN UP" "BIMBO" "PEPSI" ...
## $ Fabricante : chr "MEXILAC" "DANONE DE MEXICO" "GRUPO BIMBO" "PEPSI-COLA MEXICANA" ...
## $ Producto : chr "Nutri Leche 1 Litro" "DANUP STRAWBERRY P/BEBER 350GR NAL" "Rebanadas Bimbo 2Pz" "Pepsi N.R. 400Ml" ...
## $ Precio : num 16 14 5 8 19.5 16 14 5 8 19.5 ...
## $ Ult.Costo : num 12.3 14 5 8 15 ...
## $ Unidades : num 1 1 1 1 1 1 1 1 1 1 ...
## $ F.Ticket : int 1 2 3 3 4 1 2 3 3 4 ...
## $ NombreDepartamento: chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ NombreFamilia : chr "Lacteos y Refrigerados" "Lacteos y Refrigerados" "Pan y Tortilla" "Bebidas" ...
## $ NombreCategoria : chr "Leche" "Yogurt" "Pan Dulce Empaquetado" "Refrescos Plástico (N.R.)" ...
## $ Estado : chr "Nuevo León" "Nuevo León" "Nuevo León" "Nuevo León" ...
## $ Mts.2 : int 60 60 60 60 60 60 60 60 60 60 ...
## $ Tipo.ubicación : chr "Esquina" "Esquina" "Esquina" "Esquina" ...
## $ Giro : chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ Hora.inicio : chr "08:00" "08:00" "08:00" "08:00" ...
## $ Hora.cierre : chr "22:00" "22:00" "22:00" "22:00" ...head(df, n=7) # Muestra los primeros 6 renglones de la tabla.## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 1 MX001 Abarrotes 7.501021e+12 NA 19/06/2020 08:16:21
## 2 MX001 Abarrotes 7.501032e+12 NA 19/06/2020 08:23:33
## 3 MX001 Abarrotes 7.501000e+12 NA 19/06/2020 08:24:33
## 4 MX001 Abarrotes 7.501031e+12 NA 19/06/2020 08:24:33
## 5 MX001 Abarrotes 7.501026e+12 NA 19/06/2020 08:26:28
## 6 MX001 Abarrotes 7.501021e+12 NA 19/06/2020 08:16:21
## 7 MX001 Abarrotes 7.501032e+12 NA 19/06/2020 08:23:33
## Marca Fabricante
## 1 NUTRI LECHE MEXILAC
## 2 DAN UP DANONE DE MEXICO
## 3 BIMBO GRUPO BIMBO
## 4 PEPSI PEPSI-COLA MEXICANA
## 5 BLANCA NIEVES (DETERGENTE) FABRICA DE JABON LA CORONA
## 6 NUTRI LECHE MEXILAC
## 7 DAN UP DANONE DE MEXICO
## Producto Precio Ult.Costo Unidades F.Ticket
## 1 Nutri Leche 1 Litro 16.0 12.31 1 1
## 2 DANUP STRAWBERRY P/BEBER 350GR NAL 14.0 14.00 1 2
## 3 Rebanadas Bimbo 2Pz 5.0 5.00 1 3
## 4 Pepsi N.R. 400Ml 8.0 8.00 1 3
## 5 Detergente Blanca Nieves 500G 19.5 15.00 1 4
## 6 Nutri Leche 1 Litro 16.0 12.31 1 1
## 7 DANUP STRAWBERRY P/BEBER 350GR NAL 14.0 14.00 1 2
## NombreDepartamento NombreFamilia NombreCategoria
## 1 Abarrotes Lacteos y Refrigerados Leche
## 2 Abarrotes Lacteos y Refrigerados Yogurt
## 3 Abarrotes Pan y Tortilla Pan Dulce Empaquetado
## 4 Abarrotes Bebidas Refrescos Plástico (N.R.)
## 5 Abarrotes Limpieza del Hogar Lavandería
## 6 Abarrotes Lacteos y Refrigerados Leche
## 7 Abarrotes Lacteos y Refrigerados Yogurt
## Estado Mts.2 Tipo.ubicación Giro Hora.inicio Hora.cierre
## 1 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 2 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 3 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 4 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 5 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 6 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 7 Nuevo León 60 Esquina Abarrotes 08:00 22:00tail(df) # Muestra los ultimos 6 renglones de la tabla.## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 200620 MX005 Depósito 7.62221e+12 NA 12/07/2020 01:08:25
## 200621 MX005 Depósito 7.62221e+12 NA 23/10/2020 22:17:37
## 200622 MX005 Depósito 7.62221e+12 NA 10/10/2020 20:30:20
## 200623 MX005 Depósito 7.62221e+12 NA 10/10/2020 22:40:43
## 200624 MX005 Depósito 7.62221e+12 NA 27/06/2020 22:30:19
## 200625 MX005 Depósito 7.62221e+12 NA 26/06/2020 23:43:34
## Marca Fabricante Producto Precio
## 200620 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200621 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200622 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200623 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200624 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200625 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## Ult.Costo Unidades F.Ticket NombreDepartamento NombreFamilia
## 200620 6.92 1 103100 Abarrotes Dulcería
## 200621 6.92 1 116598 Abarrotes Dulcería
## 200622 6.92 1 114886 Abarrotes Dulcería
## 200623 6.92 1 114955 Abarrotes Dulcería
## 200624 6.92 1 101121 Abarrotes Dulcería
## 200625 6.92 1 100879 Abarrotes Dulcería
## NombreCategoria Estado Mts.2 Tipo.ubicación Giro Hora.inicio
## 200620 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200621 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200622 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200623 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200624 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200625 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## Hora.cierre
## 200620 21:00
## 200621 21:00
## 200622 21:00
## 200623 21:00
## 200624 21:00
## 200625 21:00# install.packages("janitor")
library(janitor) # Libreria para explorar y limpiar datos.##
## Attaching package: 'janitor'## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.testlibrary(dplyr) # Libreria para manipular datos.
count(df,vcClaveTienda,sort=TRUE)## vcClaveTienda n
## 1 MX001 96469
## 2 MX004 83455
## 3 MX005 10021
## 4 MX002 6629
## 5 MX003 4051count(df,DescGiro,sort=TRUE)## DescGiro n
## 1 Abarrotes 100520
## 2 Carnicería 83455
## 3 Depósito 16650# count(df,Fecha,sort=TRUE)
# count(df,Hora,sort=TRUE)
# count(df,Marca,sort=TRUE)
# count(df,Fabricante,sort=TRUE)
# count(df,Producto,sort=TRUE)
count(df,NombreDepartamento,sort=TRUE)## NombreDepartamento n
## 1 Abarrotes 198279
## 2 Bebes e Infantiles 1483
## 3 Ferretería 377
## 4 Farmacia 255
## 5 Vinos y Licores 104
## 6 Papelería 74
## 7 Mercería 44
## 8 Productos a Eliminar 8
## 9 Carnes 1# count(df,NombreFamilia,sort=TRUE)
# count(df,NombreCategoria,sort=TRUE)
count(df,Estado ,sort=TRUE)## Estado n
## 1 Nuevo León 96469
## 2 Sinaloa 83455
## 3 Quintana Roo 10021
## 4 Jalisco 6629
## 5 Chiapas 4051count(df,Tipo.ubicación,sort=TRUE)## Tipo.ubicación n
## 1 Esquina 189945
## 2 Rotonda 6629
## 3 Entre calles 4051count(df,Giro,sort=TRUE)## Giro n
## 1 Abarrotes 183975
## 2 Mini súper 16650count(df,Hora.inicio,sort=TRUE)## Hora.inicio n
## 1 08:00 106490
## 2 07:00 87506
## 3 09:00 6629count(df,Hora.cierre,sort=TRUE)## Hora.cierre n
## 1 22:00 103098
## 2 23:00 87506
## 3 21:00 10021# Generar subtabla de Tienda y Departamento
tabyl(df,vcClaveTienda,NombreDepartamento)## vcClaveTienda Abarrotes Bebes e Infantiles Carnes Farmacia Ferretería Mercería
## MX001 95415 515 1 147 245 28
## MX002 6590 21 0 4 10 0
## MX003 4026 15 0 2 8 0
## MX004 82234 932 0 102 114 16
## MX005 10014 0 0 0 0 0
## Papelería Productos a Eliminar Vinos y Licores
## 35 3 80
## 0 0 4
## 0 0 0
## 32 5 20
## 7 0 0tabyl(df,Estado,NombreDepartamento)## Estado Abarrotes Bebes e Infantiles Carnes Farmacia Ferretería Mercería
## Chiapas 4026 15 0 2 8 0
## Jalisco 6590 21 0 4 10 0
## Nuevo León 95415 515 1 147 245 28
## Quintana Roo 10014 0 0 0 0 0
## Sinaloa 82234 932 0 102 114 16
## Papelería Productos a Eliminar Vinos y Licores
## 0 0 0
## 0 0 4
## 35 3 80
## 7 0 0
## 32 5 20tabyl(df,Estado,Hora.inicio)## Estado 07:00 08:00 09:00
## Chiapas 4051 0 0
## Jalisco 0 0 6629
## Nuevo León 0 96469 0
## Quintana Roo 0 10021 0
## Sinaloa 83455 0 0tabyl(df,Estado,Hora.cierre)## Estado 21:00 22:00 23:00
## Chiapas 0 0 4051
## Jalisco 0 6629 0
## Nuevo León 0 96469 0
## Quintana Roo 10021 0 0
## Sinaloa 0 0 83455# Tienda 1 es Nuevo León, abre a las 8 cierra a las 22
# Tienda 2 es Jalisco, abre a las 9 cierra a las 22
# Tienda 3 es Chiapas, abre a las 7 cierra a las 23
# Tienda 4 es Sinaloa, abre a las 7 cierra a las 23
# Tienda 5 es Quintana Roo, abre a las 8 cierra a las 21Instalar paquetes y llamar librerias
#install.packages("lubridate")
library(lubridate)
#install.packages("plyr")
library(plyr)## ------------------------------------------------------------------------------## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)## ------------------------------------------------------------------------------##
## Attaching package: 'plyr'## The following objects are masked from 'package:dplyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarize## The following object is masked from 'package:purrr':
##
## compact#install.packages("Matrix")
library(Matrix)##
## Attaching package: 'Matrix'## The following objects are masked from 'package:tidyr':
##
## expand, pack, unpack#install.packages("arules")
library(arules)##
## Attaching package: 'arules'## The following object is masked from 'package:dplyr':
##
## recode## The following objects are masked from 'package:base':
##
## abbreviate, write#install.packages("arulesViz")
library(arulesViz)
#install.packages("datasets")
library(datasets)Observaciones:
PLU casi no tiene registros.
El formato de fecha no tiene formato adecuado.
El precio tiene valores negativos.
La hora no tiene formato adecuado.
Limpieza de datos
Técnica 1. Remover valores irrelevantes
# Eliminar columnas
df1<-df
df1<-subset(df1,select= -c(PLU,Codigo.Barras))
# Eliminar renglones
df2<-df1
df2<-df2[df2$Precio > 0, ]
summary(df2$Precio)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.50 11.00 16.00 19.45 25.00 1000.00Técnica 2. Remover valores repetidos
# Cuántos renglones duplicados tenemos?
df2[duplicated(df2), ]## vcClaveTienda DescGiro Fecha Hora Marca
## 6 MX001 Abarrotes 19/06/2020 08:16:21 NUTRI LECHE
## 7 MX001 Abarrotes 19/06/2020 08:23:33 DAN UP
## 8 MX001 Abarrotes 19/06/2020 08:24:33 BIMBO
## 9 MX001 Abarrotes 19/06/2020 08:24:33 PEPSI
## 10 MX001 Abarrotes 19/06/2020 08:26:28 BLANCA NIEVES (DETERGENTE)
## Fabricante Producto Precio
## 6 MEXILAC Nutri Leche 1 Litro 16.0
## 7 DANONE DE MEXICO DANUP STRAWBERRY P/BEBER 350GR NAL 14.0
## 8 GRUPO BIMBO Rebanadas Bimbo 2Pz 5.0
## 9 PEPSI-COLA MEXICANA Pepsi N.R. 400Ml 8.0
## 10 FABRICA DE JABON LA CORONA Detergente Blanca Nieves 500G 19.5
## Ult.Costo Unidades F.Ticket NombreDepartamento NombreFamilia
## 6 12.31 1 1 Abarrotes Lacteos y Refrigerados
## 7 14.00 1 2 Abarrotes Lacteos y Refrigerados
## 8 5.00 1 3 Abarrotes Pan y Tortilla
## 9 8.00 1 3 Abarrotes Bebidas
## 10 15.00 1 4 Abarrotes Limpieza del Hogar
## NombreCategoria Estado Mts.2 Tipo.ubicación Giro
## 6 Leche Nuevo León 60 Esquina Abarrotes
## 7 Yogurt Nuevo León 60 Esquina Abarrotes
## 8 Pan Dulce Empaquetado Nuevo León 60 Esquina Abarrotes
## 9 Refrescos Plástico (N.R.) Nuevo León 60 Esquina Abarrotes
## 10 Lavandería Nuevo León 60 Esquina Abarrotes
## Hora.inicio Hora.cierre
## 6 08:00 22:00
## 7 08:00 22:00
## 8 08:00 22:00
## 9 08:00 22:00
## 10 08:00 22:00sum(duplicated(df2))## [1] 5#Eliminar renglones duplicados
df3<-df2
df3<-distinct(df3)Técnica 3. Corregir errores tipográficos y similares
# Precios en absoluto
df4<-df1
df$Precio<-abs(df4$Precio)
summary(df4$Precio)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -147.00 11.00 16.00 19.42 25.00 1000.00# No se va a utilizar en este ejercicio
# Cantidades en enteros
df5<-df1
df5$Unidades<-ceiling(df5$Unidades)
summary(df5$Unidades)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 1.000 1.262 1.000 96.000# No se va a utilizar en este ejercicioTécnica 4. Corregir errores tipográficos y similares
df6<-df3
df6$Fecha <- as.Date(df6$Fecha, format="%d/%m/%Y")
str(df6)## 'data.frame': 200473 obs. of 20 variables:
## $ vcClaveTienda : chr "MX001" "MX001" "MX001" "MX001" ...
## $ DescGiro : chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ Fecha : Date, format: "2020-06-19" "2020-06-19" ...
## $ Hora : chr "08:16:21" "08:23:33" "08:24:33" "08:24:33" ...
## $ Marca : chr "NUTRI LECHE" "DAN UP" "BIMBO" "PEPSI" ...
## $ Fabricante : chr "MEXILAC" "DANONE DE MEXICO" "GRUPO BIMBO" "PEPSI-COLA MEXICANA" ...
## $ Producto : chr "Nutri Leche 1 Litro" "DANUP STRAWBERRY P/BEBER 350GR NAL" "Rebanadas Bimbo 2Pz" "Pepsi N.R. 400Ml" ...
## $ Precio : num 16 14 5 8 19.5 9.5 11 9.5 23.5 12 ...
## $ Ult.Costo : num 12.3 14 5 8 15 ...
## $ Unidades : num 1 1 1 1 1 1 1 1 1 1 ...
## $ F.Ticket : int 1 2 3 3 4 4 4 4 4 5 ...
## $ NombreDepartamento: chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ NombreFamilia : chr "Lacteos y Refrigerados" "Lacteos y Refrigerados" "Pan y Tortilla" "Bebidas" ...
## $ NombreCategoria : chr "Leche" "Yogurt" "Pan Dulce Empaquetado" "Refrescos Plástico (N.R.)" ...
## $ Estado : chr "Nuevo León" "Nuevo León" "Nuevo León" "Nuevo León" ...
## $ Mts.2 : int 60 60 60 60 60 60 60 60 60 60 ...
## $ Tipo.ubicación : chr "Esquina" "Esquina" "Esquina" "Esquina" ...
## $ Giro : chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ Hora.inicio : chr "08:00" "08:00" "08:00" "08:00" ...
## $ Hora.cierre : chr "22:00" "22:00" "22:00" "22:00" ...# Convertir de caracter a hora
df7<-df6
df7$Hora <- as.POSIXct(df7$Hora, format="%H:%M:%S")
df7$Hora <- format(df7$Hora, "%H")
df7$Hora <- as.integer(df7$Hora)
str(df7)## 'data.frame': 200473 obs. of 20 variables:
## $ vcClaveTienda : chr "MX001" "MX001" "MX001" "MX001" ...
## $ DescGiro : chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ Fecha : Date, format: "2020-06-19" "2020-06-19" ...
## $ Hora : int 8 8 8 8 8 8 8 8 8 15 ...
## $ Marca : chr "NUTRI LECHE" "DAN UP" "BIMBO" "PEPSI" ...
## $ Fabricante : chr "MEXILAC" "DANONE DE MEXICO" "GRUPO BIMBO" "PEPSI-COLA MEXICANA" ...
## $ Producto : chr "Nutri Leche 1 Litro" "DANUP STRAWBERRY P/BEBER 350GR NAL" "Rebanadas Bimbo 2Pz" "Pepsi N.R. 400Ml" ...
## $ Precio : num 16 14 5 8 19.5 9.5 11 9.5 23.5 12 ...
## $ Ult.Costo : num 12.3 14 5 8 15 ...
## $ Unidades : num 1 1 1 1 1 1 1 1 1 1 ...
## $ F.Ticket : int 1 2 3 3 4 4 4 4 4 5 ...
## $ NombreDepartamento: chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ NombreFamilia : chr "Lacteos y Refrigerados" "Lacteos y Refrigerados" "Pan y Tortilla" "Bebidas" ...
## $ NombreCategoria : chr "Leche" "Yogurt" "Pan Dulce Empaquetado" "Refrescos Plástico (N.R.)" ...
## $ Estado : chr "Nuevo León" "Nuevo León" "Nuevo León" "Nuevo León" ...
## $ Mts.2 : int 60 60 60 60 60 60 60 60 60 60 ...
## $ Tipo.ubicación : chr "Esquina" "Esquina" "Esquina" "Esquina" ...
## $ Giro : chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ Hora.inicio : chr "08:00" "08:00" "08:00" "08:00" ...
## $ Hora.cierre : chr "22:00" "22:00" "22:00" "22:00" ...tabyl(df7, Estado, Hora)## Estado 0 1 2 3 7 8 9 10 11 12 13 14 15 16
## Chiapas 0 0 0 0 0 15 355 456 492 640 546 483 338 105
## Jalisco 0 0 0 0 0 0 102 380 416 434 449 411 526 511
## Nuevo León 3312 518 57 2 0 1532 2782 3460 4241 5059 4857 4599 4801 5755
## Quintana Roo 387 164 1 0 0 0 0 41 85 256 395 543 661 778
## Sinaloa 0 0 0 0 598 2720 3881 4651 5102 5401 5224 5316 4859 3970
## 17 18 19 20 21 22 23
## 88 88 81 186 147 27 4
## 548 515 505 622 721 467 22
## 6350 6455 7369 8649 9722 9296 7501
## 969 757 965 1118 1219 1053 629
## 5111 6208 7158 8317 8783 5837 319Técnica 5. Valores Faltantes
# Cuántos NA tengo en la base de datos?
sum(is.na(df7))## [1] 0sum(is.na(df))## [1] 199188# Cuántos NA tengo por variable?
sapply(df,function(x) sum(is.na(x)))## vcClaveTienda DescGiro Codigo.Barras PLU
## 0 0 0 199188
## Fecha Hora Marca Fabricante
## 0 0 0 0
## Producto Precio Ult.Costo Unidades
## 0 0 0 0
## F.Ticket NombreDepartamento NombreFamilia NombreCategoria
## 0 0 0 0
## Estado Mts.2 Tipo.ubicación Giro
## 0 0 0 0
## Hora.inicio Hora.cierre
## 0 0# Borrar todos los registros con NA de la tabla
df8 <- df
df8 <- na.omit(df8)
# Reemplazar NA con CEROS
df9 <- df
df9[is.na(df)] <- 0
summary(df9$PLU)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.00000 0.00000 0.00000 0.01513 0.00000 30.00000# Reemplazar los NA con PROMEDIO
df10 <- df
df10$PLU[is.na(df10$PLU)]<-mean(df10$PLU, na.rm=TRUE)
summary(df10$PLU)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.112 2.112 2.112 2.112 30.000Técnica 6. Método Estadístico
df11 <- df7
boxplot(df11$Precio, horizontal = TRUE)
boxplot(df11$Unidades, horizontal = TRUE)
Agregar columnas
df11$Dia_de_la_Semana <- wday(df11$Fecha)
summary(df11)## vcClaveTienda DescGiro Fecha Hora
## Length:200473 Length:200473 Min. :2020-05-01 Min. : 0.00
## Class :character Class :character 1st Qu.:2020-06-06 1st Qu.:13.00
## Mode :character Mode :character Median :2020-07-11 Median :17.00
## Mean :2020-07-18 Mean :16.23
## 3rd Qu.:2020-08-29 3rd Qu.:20.00
## Max. :2020-11-11 Max. :23.00
## Marca Fabricante Producto Precio
## Length:200473 Length:200473 Length:200473 Min. : 0.50
## Class :character Class :character Class :character 1st Qu.: 11.00
## Mode :character Mode :character Mode :character Median : 16.00
## Mean : 19.45
## 3rd Qu.: 25.00
## Max. :1000.00
## Ult.Costo Unidades F.Ticket NombreDepartamento
## Min. : 0.38 Min. : 0.200 Min. : 1 Length:200473
## 1st Qu.: 8.46 1st Qu.: 1.000 1st Qu.: 33978 Class :character
## Median : 12.31 Median : 1.000 Median :106035 Mode :character
## Mean : 15.31 Mean : 1.261 Mean :194101
## 3rd Qu.: 19.23 3rd Qu.: 1.000 3rd Qu.:383065
## Max. :769.23 Max. :96.000 Max. :450040
## NombreFamilia NombreCategoria Estado Mts.2
## Length:200473 Length:200473 Length:200473 Min. :47.0
## Class :character Class :character Class :character 1st Qu.:53.0
## Mode :character Mode :character Mode :character Median :60.0
## Mean :56.6
## 3rd Qu.:60.0
## Max. :62.0
## Tipo.ubicación Giro Hora.inicio Hora.cierre
## Length:200473 Length:200473 Length:200473 Length:200473
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Dia_de_la_Semana
## Min. :1.000
## 1st Qu.:2.000
## Median :4.000
## Mean :3.911
## 3rd Qu.:6.000
## Max. :7.000df11$Subtotal <- df11$Precio * df11$Unidades
summary(df11)## vcClaveTienda DescGiro Fecha Hora
## Length:200473 Length:200473 Min. :2020-05-01 Min. : 0.00
## Class :character Class :character 1st Qu.:2020-06-06 1st Qu.:13.00
## Mode :character Mode :character Median :2020-07-11 Median :17.00
## Mean :2020-07-18 Mean :16.23
## 3rd Qu.:2020-08-29 3rd Qu.:20.00
## Max. :2020-11-11 Max. :23.00
## Marca Fabricante Producto Precio
## Length:200473 Length:200473 Length:200473 Min. : 0.50
## Class :character Class :character Class :character 1st Qu.: 11.00
## Mode :character Mode :character Mode :character Median : 16.00
## Mean : 19.45
## 3rd Qu.: 25.00
## Max. :1000.00
## Ult.Costo Unidades F.Ticket NombreDepartamento
## Min. : 0.38 Min. : 0.200 Min. : 1 Length:200473
## 1st Qu.: 8.46 1st Qu.: 1.000 1st Qu.: 33978 Class :character
## Median : 12.31 Median : 1.000 Median :106035 Mode :character
## Mean : 15.31 Mean : 1.261 Mean :194101
## 3rd Qu.: 19.23 3rd Qu.: 1.000 3rd Qu.:383065
## Max. :769.23 Max. :96.000 Max. :450040
## NombreFamilia NombreCategoria Estado Mts.2
## Length:200473 Length:200473 Length:200473 Min. :47.0
## Class :character Class :character Class :character 1st Qu.:53.0
## Mode :character Mode :character Mode :character Median :60.0
## Mean :56.6
## 3rd Qu.:60.0
## Max. :62.0
## Tipo.ubicación Giro Hora.inicio Hora.cierre
## Length:200473 Length:200473 Length:200473 Length:200473
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Dia_de_la_Semana Subtotal
## Min. :1.000 Min. : 1.0
## 1st Qu.:2.000 1st Qu.: 12.0
## Median :4.000 Median : 18.0
## Mean :3.911 Mean : 24.3
## 3rd Qu.:6.000 3rd Qu.: 27.0
## Max. :7.000 Max. :2496.0df11$Utilidad <- df11$Precio - df11$Ult.Costo
summary(df11)## vcClaveTienda DescGiro Fecha Hora
## Length:200473 Length:200473 Min. :2020-05-01 Min. : 0.00
## Class :character Class :character 1st Qu.:2020-06-06 1st Qu.:13.00
## Mode :character Mode :character Median :2020-07-11 Median :17.00
## Mean :2020-07-18 Mean :16.23
## 3rd Qu.:2020-08-29 3rd Qu.:20.00
## Max. :2020-11-11 Max. :23.00
## Marca Fabricante Producto Precio
## Length:200473 Length:200473 Length:200473 Min. : 0.50
## Class :character Class :character Class :character 1st Qu.: 11.00
## Mode :character Mode :character Mode :character Median : 16.00
## Mean : 19.45
## 3rd Qu.: 25.00
## Max. :1000.00
## Ult.Costo Unidades F.Ticket NombreDepartamento
## Min. : 0.38 Min. : 0.200 Min. : 1 Length:200473
## 1st Qu.: 8.46 1st Qu.: 1.000 1st Qu.: 33978 Class :character
## Median : 12.31 Median : 1.000 Median :106035 Mode :character
## Mean : 15.31 Mean : 1.261 Mean :194101
## 3rd Qu.: 19.23 3rd Qu.: 1.000 3rd Qu.:383065
## Max. :769.23 Max. :96.000 Max. :450040
## NombreFamilia NombreCategoria Estado Mts.2
## Length:200473 Length:200473 Length:200473 Min. :47.0
## Class :character Class :character Class :character 1st Qu.:53.0
## Mode :character Mode :character Mode :character Median :60.0
## Mean :56.6
## 3rd Qu.:60.0
## Max. :62.0
## Tipo.ubicación Giro Hora.inicio Hora.cierre
## Length:200473 Length:200473 Length:200473 Length:200473
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Dia_de_la_Semana Subtotal Utilidad
## Min. :1.000 Min. : 1.0 Min. : 0.000
## 1st Qu.:2.000 1st Qu.: 12.0 1st Qu.: 2.310
## Median :4.000 Median : 18.0 Median : 3.230
## Mean :3.911 Mean : 24.3 Mean : 4.141
## 3rd Qu.:6.000 3rd Qu.: 27.0 3rd Qu.: 5.420
## Max. :7.000 Max. :2496.0 Max. :230.770Exportar la base de datos limpia
bd_limpia <- df11
write.csv(bd_limpia, file="abarrotes_bd_limpia.csv", row.names = FALSE)Conclusión
Se llevó a cabo un análisis sobre la base de datos que fue suministrada sobre los productos de abarrotes, lo cual implicó un minucioso proceso de renovación, depuración y la formación de variables adicionales. Nos adentramos a la estructura de la base de datos proporcionada, para poder identificar valores faltantes dentro de las variables, formatos erróneos, registros negativos o en general alguna irregularidad que pudiera dañar la integridad de la base datos. Después de este análisis logramos distinguir las tendencias y los patrones en los productos, en sus consumidores y en sus ventas.
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