instalar paquetes y llamar librerias

#install.packages("readx1") #Leer documentos de excel
library(readxl)
#install.packages("tidyverse") #Manipulacion de datos
library(tidyverse)
## ── 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   3.4.4     ✔ 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 errors
#install.packages("ggplot2") #Generar graficos presentables
library(ggplot2)
#file.choose()

Actividad individual 2

Importar la base de datos

#file.choose
df <- read_excel("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
## Warning: Expecting numeric in N184066 / R184066C14: got a date
## Warning: Expecting numeric in O184066 / R184066C15: got a date
## Warning: Expecting numeric in P184066 / R184066C16: got a date
## Warning: Expecting numeric in Q184066 / R184066C17: got a date
## Warning: Expecting numeric in R184066 / R184066C18: got a date
## Warning: Expecting numeric in S184066 / R184066C19: got a date
## Warning: Expecting numeric in T184066 / R184066C20: got a date
## Warning: Expecting numeric in U184066 / R184066C21: got a date
## Warning: Expecting numeric in V184066 / R184066C22: got a date
## Warning: Expecting numeric in W184066 / R184066C23: got a date
## Warning: Expecting numeric in X184066 / R184066C24: got a date
## Warning: Expecting numeric in Y184066 / R184066C25: got a date

Revisar la estructura de datos

str(df)
## tibble [466,509 × 25] (S3: tbl_df/tbl/data.frame)
##  $ ID                  : num [1:466509] 1 2 3 4 5 6 7 8 9 10 ...
##  $ Año                 : num [1:466509] 2016 2016 2016 2016 2016 ...
##  $ Territorio          : chr [1:466509] "Guadalajara" "Guadalajara" "Guadalajara" "Guadalajara" ...
##  $ Sub Territorio      : chr [1:466509] "Belenes" "Belenes" "Belenes" "Belenes" ...
##  $ CEDI                : chr [1:466509] "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" ...
##  $ Cliente             : chr [1:466509] "77737" "77737" "77737" "77737" ...
##  $ Nombre              : chr [1:466509] "ABARR" "ABARR" "ABARR" "ABARR" ...
##  $ Tamaño Cte Industria: chr [1:466509] "Extra Grande" "Extra Grande" "Extra Grande" "Extra Grande" ...
##  $ Segmento Det        : chr [1:466509] "Agua Mineral" "Agua Purificada" "Agua Purificada" "Agua Saborizada" ...
##  $ Marca               : chr [1:466509] "Topo Chico A.M." "Ciel Agua Purificada" "Ciel Agua Purificada" "Ciel Exprim" ...
##  $ Presentacion        : chr [1:466509] "600 ml NR" "1 Ltro. N.R." "1.5 Lts. NR" "600 ml NR" ...
##  $ Tamaño              : chr [1:466509] "Individual" "Individual" "Individual" "Individual" ...
##  $ Retornable_NR       : chr [1:466509] "No Retornable" "No Retornable" "No Retornable" "No Retornable" ...
##  $ Enero               : num [1:466509] NA NA NA NA NA NA 1 NA 3 NA ...
##  $ Febrero             : num [1:466509] NA 2 NA NA NA NA NA 1 3 NA ...
##  $ Marzo               : num [1:466509] NA 8 3 NA NA 1 NA NA 4 NA ...
##  $ Abril               : num [1:466509] NA 4 6 NA NA NA NA 1 4 NA ...
##  $ Mayo                : num [1:466509] NA 4 3 NA NA NA 0 NA 4 NA ...
##  $ Junio               : num [1:466509] NA 2 3 NA NA NA NA 1 4 0 ...
##  $ Julio               : num [1:466509] NA 2 3 NA NA NA 0 NA 4 NA ...
##  $ Agosto              : num [1:466509] NA 2 3 NA NA NA NA 1 7 NA ...
##  $ Septiembre          : num [1:466509] NA 2 3 NA NA NA NA 1 4 NA ...
##  $ Octubre             : num [1:466509] NA 2 3 NA NA NA 0 NA 3 NA ...
##  $ Noviembre           : num [1:466509] NA 4 3 NA 0 NA NA NA 1 NA ...
##  $ Diciembre           : num [1:466509] 1 2 3 1 NA NA NA NA 3 NA ...

Revisar NAs en la base de datos

#Cuantos NAs tengo en la base de datos?
sum(is.na(df))
## [1] 3148501
# Cuantos NAs tengo por variable?
sapply(df, function(x) sum(is.na(x)))
##                   ID                  Año           Territorio 
##                    0                    0                    0 
##       Sub Territorio                 CEDI              Cliente 
##                    0                    0                    0 
##               Nombre Tamaño Cte Industria         Segmento Det 
##                    0                    0                    0 
##                Marca         Presentacion               Tamaño 
##                    0                    0                    0 
##        Retornable_NR                Enero              Febrero 
##                    0               233480               231213 
##                Marzo                Abril                 Mayo 
##               227420               224057               216910 
##                Junio                Julio               Agosto 
##               215753               223411               220242 
##           Septiembre              Octubre            Noviembre 
##               337314               338386               338460 
##            Diciembre 
##               341855
#opcion 1, Eliminar NAs
# df <- na.omit(df)

#opcion 2. Reemplazar NAs con CEROS
df1 <- df
df1 [is.na(df1)] <- 0
sum (is.na(df1))
## [1] 0
#opcio 3. Reemplazar NAs con PROMEDIO
#df1 <- df
#df1$Enero[is.na(df1$Enero)] <- mean(df1$Enero, na.rm+TRUE)

Detectar valores atipicos

boxplot(df1$Enero)

#Eliminar renglon
df1 <- df1[df1$Enero <6000, ]
boxplot(df1$Enero)

# Funciones del paquete dplyr

#Adecuar nombres con rename
names(df1) <- gsub (" ", "_", names (df1))

#Muestra las ventas de Enero a Junio por Cedi:
df2 <- select(df1, c(CEDI, Enero:Junio))

# Muestra los  movimientos por cedi y tamano de la tienda grande:
df3 <- df1 %>% filter(Tamaño_Cte_Industria  == "Grande")

# Ordena  la base de datos por Cedi, marca y por presentacion:
df4 <- df1 %>% arrange(CEDI, Marca, Presentacion)

#Agrega un campo calculado con las ventas del primer semestre y muestra  las ventas del primer semestre por marca:
df5 <- df1 %>% mutate(ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- df5 %>%
  group_by(Marca) %>%
  summarise(ventas_sem1=sum(ventas_Sem1))

#Obtener la media  de las ventas del primer semestre  agrupado por marca, presentacion y tamano
df6 <- df5 %>% 
  group_by(Marca, Presentacion, Tamaño)%>%
  summarise(ventas_sem1=mean(ventas_Sem1))
## `summarise()` has grouped output by 'Marca', 'Presentacion'. You can override
## using the `.groups` argument.
# Calcualar medidas de central
summary(df1)
##        ID              Año        Territorio        Sub_Territorio    
##  Min.   :     1   Min.   :2016   Length:466508      Length:466508     
##  1st Qu.:116628   1st Qu.:2017   Class :character   Class :character  
##  Median :233256   Median :2018   Mode  :character   Mode  :character  
##  Mean   :233255   Mean   :2018                                        
##  3rd Qu.:349882   3rd Qu.:2019                                        
##  Max.   :466509   Max.   :2019                                        
##      CEDI             Cliente             Nombre          Tamaño_Cte_Industria
##  Length:466508      Length:466508      Length:466508      Length:466508       
##  Class :character   Class :character   Class :character   Class :character    
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character    
##                                                                               
##                                                                               
##                                                                               
##  Segmento_Det          Marca           Presentacion          Tamaño         
##  Length:466508      Length:466508      Length:466508      Length:466508     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##  Retornable_NR          Enero             Febrero             Marzo         
##  Length:466508      Min.   : -19.000   Min.   : -11.000   Min.   : -32.000  
##  Class :character   1st Qu.:   0.000   1st Qu.:   0.000   1st Qu.:   0.000  
##  Mode  :character   Median :   0.000   Median :   0.000   Median :   0.000  
##                     Mean   :   4.951   Mean   :   4.829   Mean   :   5.729  
##                     3rd Qu.:   2.000   3rd Qu.:   2.000   3rd Qu.:   3.000  
##                     Max.   :5333.000   Max.   :4995.000   Max.   :5636.000  
##      Abril               Mayo             Junio              Julio         
##  Min.   : -70.000   Min.   :-106.00   Min.   :-211.000   Min.   : -60.000  
##  1st Qu.:   0.000   1st Qu.:   0.00   1st Qu.:   0.000   1st Qu.:   0.000  
##  Median :   0.000   Median :   0.00   Median :   0.000   Median :   0.000  
##  Mean   :   5.992   Mean   :   6.73   Mean   :   6.464   Mean   :   6.033  
##  3rd Qu.:   3.000   3rd Qu.:   3.00   3rd Qu.:   3.000   3rd Qu.:   3.000  
##  Max.   :6164.000   Max.   :6759.00   Max.   :6033.000   Max.   :6735.000  
##      Agosto           Septiembre          Octubre           Noviembre      
##  Min.   :-211.000   Min.   :-527.000   Min.   : -38.000   Min.   : -25.00  
##  1st Qu.:   0.000   1st Qu.:   0.000   1st Qu.:   0.000   1st Qu.:   0.00  
##  Median :   0.000   Median :   0.000   Median :   0.000   Median :   0.00  
##  Mean   :   6.235   Mean   :   3.625   Mean   :   3.674   Mean   :   3.57  
##  3rd Qu.:   3.000   3rd Qu.:   1.000   3rd Qu.:   1.000   3rd Qu.:   1.00  
##  Max.   :6065.000   Max.   :6509.000   Max.   :6326.000   Max.   :5319.00  
##    Diciembre       
##  Min.   : -28.000  
##  1st Qu.:   0.000  
##  Median :   0.000  
##  Mean   :   3.858  
##  3rd Qu.:   0.000  
##  Max.   :6182.000
# Colapsar meses en una columna
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)
df7
## # A tibble: 5,598,096 × 15
##       ID   Año Territorio  Sub_Territorio CEDI         Cliente Nombre
##    <dbl> <dbl> <chr>       <chr>          <chr>        <chr>   <chr> 
##  1     1  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  2     2  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  3     3  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  4     4  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  5     5  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  6     6  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  7     7  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  8     8  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  9     9  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
## 10    10  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
## # ℹ 5,598,086 more rows
## # ℹ 8 more variables: Tamaño_Cte_Industria <chr>, Segmento_Det <chr>,
## #   Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## #   Mes <chr>, Ventas <dbl>

Tarea Colaborativa 2

Insertar librerías

library(tidyverse)
library(dplyr)
library(readxl)
library(ggplot2)
#file.choose("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
datos <- read_excel("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
## Warning: Expecting numeric in N184066 / R184066C14: got a date
## Warning: Expecting numeric in O184066 / R184066C15: got a date
## Warning: Expecting numeric in P184066 / R184066C16: got a date
## Warning: Expecting numeric in Q184066 / R184066C17: got a date
## Warning: Expecting numeric in R184066 / R184066C18: got a date
## Warning: Expecting numeric in S184066 / R184066C19: got a date
## Warning: Expecting numeric in T184066 / R184066C20: got a date
## Warning: Expecting numeric in U184066 / R184066C21: got a date
## Warning: Expecting numeric in V184066 / R184066C22: got a date
## Warning: Expecting numeric in W184066 / R184066C23: got a date
## Warning: Expecting numeric in X184066 / R184066C24: got a date
## Warning: Expecting numeric in Y184066 / R184066C25: got a date

Uso de Select():

#Se desea seleccionar Sub Territoriio, Segmento Det y Marca. Al seleccionarlas implica entender el contexto, poder evaluar la relevancia y calidad de los datos, considerar variables relacionadas para realizar el analisis adecuado.
datos_1 <- datos %>%
  select(`Sub Territorio`, `Segmento Det`, Marca)
print(datos_1)
## # A tibble: 466,509 × 3
##    `Sub Territorio` `Segmento Det`   Marca               
##    <chr>            <chr>            <chr>               
##  1 Belenes          Agua Mineral     Topo Chico A.M.     
##  2 Belenes          Agua Purificada  Ciel Agua Purificada
##  3 Belenes          Agua Purificada  Ciel Agua Purificada
##  4 Belenes          Agua Saborizada  Ciel Exprim         
##  5 Belenes          Agua Saborizada  Ciel Mini           
##  6 Belenes          Agua Saborizada  Ciel Saborizada     
##  7 Belenes          Bebidas de Fruta Delaware Punch      
##  8 Belenes          Bebidas de Fruta Delaware Punch      
##  9 Belenes          Bebidas de Fruta Frutsi              
## 10 Belenes          Bebidas de Fruta Pulpy               
## # ℹ 466,499 more rows

Cantidad de distribuciòn de distintas Marcas por sub Territorio

# Se desea identificar cantidad de ventas en los distintos productos por sub territorio, de las distintas marcas en los diversos territorios. Esto con una grafica para visualizar de mejor manera.

grafico <- ggplot(datos, aes(x = `Sub Territorio`, fill = Marca)) +
  geom_bar(position = "dodge") +
  labs(title = "Ventas de distintas Marcas por Sub Territorio",
       x = "Sub Territorio",
       y = "Cantidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Visualizar gráfico
print(grafico)

Filtrar territorios con consumo de “Coca-Cola” mayor que 5, en el mes de Enero

#Se sabe que en Mèxico es de los principales paises que consumen una mayor cantidad de Coca-Cola, por lo cual se desa manipularlos datos del producto Coca cola en el mes de Enero

datos_2 <- datos %>%
  filter(Marca == "Coca-Cola" & Enero> 5)

# Visualizar resultado
print(datos_2)
## # A tibble: 37,763 × 25
##       ID   Año Territorio  `Sub Territorio` CEDI         Cliente Nombre
##    <dbl> <dbl> <chr>       <chr>            <chr>        <chr>   <chr> 
##  1    20  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  2    22  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  3    23  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  4    26  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  5    27  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  6    28  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  7    29  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  8    30  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  9    33  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
## 10   114  2016 Guadalajara Belenes          Suc. Belenes 77796   MARIA 
## # ℹ 37,753 more rows
## # ℹ 18 more variables: `Tamaño Cte Industria` <chr>, `Segmento Det` <chr>,
## #   Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## #   Enero <dbl>, Febrero <dbl>, Marzo <dbl>, Abril <dbl>, Mayo <dbl>,
## #   Junio <dbl>, Julio <dbl>, Agosto <dbl>, Septiembre <dbl>, Octubre <dbl>,
## #   Noviembre <dbl>, Diciembre <dbl>

Uso de arrange

#Seleccionar solo las columnas de enero a mayo y ordenar los datos por el consumo de "Burn" en el territorio "Guadalajara"
datos_3 <- datos %>%
  filter(Territorio == "Guadalajara" & Marca == "Burn") %>%
  select(Territorio, Marca, Enero:Mayo) %>%
  arrange(desc(Enero))

# Mostrar el resultado
print(datos_3)
## # A tibble: 3,591 × 7
##    Territorio  Marca Enero Febrero Marzo Abril  Mayo
##    <chr>       <chr> <dbl>   <dbl> <dbl> <dbl> <dbl>
##  1 Guadalajara Burn      6      NA    NA    NA    NA
##  2 Guadalajara Burn      5       4     3     2     3
##  3 Guadalajara Burn      5       3     3     6     4
##  4 Guadalajara Burn      5       4     8    10     5
##  5 Guadalajara Burn      4      NA     3     4     3
##  6 Guadalajara Burn      4      NA    NA     2     3
##  7 Guadalajara Burn      4       2     3     1     4
##  8 Guadalajara Burn      3       1     2     4     3
##  9 Guadalajara Burn      3       1     1     4     2
## 10 Guadalajara Burn      3       3     3     3     1
## # ℹ 3,581 more rows

Uso de group_by() & summarise()

#Agrega un campo calculado con las ventas del primer semestre y muestra  las ventas del primer semestre por marca:
datos_4 <- datos %>% mutate(ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- datos_4 %>%
  group_by(Marca) %>%
  summarise(ventas_sem1=sum(ventas_Sem1))
print(datos_4)
## # A tibble: 466,509 × 26
##       ID   Año Territorio  `Sub Territorio` CEDI         Cliente Nombre
##    <dbl> <dbl> <chr>       <chr>            <chr>        <chr>   <chr> 
##  1     1  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  2     2  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  3     3  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  4     4  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  5     5  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  6     6  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  7     7  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  8     8  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  9     9  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
## 10    10  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
## # ℹ 466,499 more rows
## # ℹ 19 more variables: `Tamaño Cte Industria` <chr>, `Segmento Det` <chr>,
## #   Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## #   Enero <dbl>, Febrero <dbl>, Marzo <dbl>, Abril <dbl>, Mayo <dbl>,
## #   Junio <dbl>, Julio <dbl>, Agosto <dbl>, Septiembre <dbl>, Octubre <dbl>,
## #   Noviembre <dbl>, Diciembre <dbl>, ventas_Sem1 <dbl>

Actividad individual 3

#Agregar una plumna con el numero del mes
meses <- c ("Enero"="01","Febrero"="02","Marzo"="03","Abril"="04","Mayo"="05","Junio"="06","Julio"= "07", "Agosto"="08", "Septiembre"="09", "Octubre"="10", "Noviembre"="11", "Diciembre"="12")

df7$Número_de_Mes <- meses[df7$Mes]

#Graficar el total de ventas por mes y año

ventas_totales <- df7 %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum (Ventas)) %>%
  arrange(Número_de_Mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales, aes (x=Número_de_Mes, y=Ventas_Totales, group=Año, color=as.factor(Año))) + 
  geom_line()+
  geom_point()+
  labs(x="Mes", y="Ventas Totales(Qty)", color="Año" )

Tarea Colaborativa 3

# 1.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?

ventas_totales_er <- df7 %>%
    filter(Retornable_NR == "Retornable") %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales de productos en envases retornables", color = "Año")

# 2.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales por segmento", color = "Segmento")

# 3.¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular") %>%
  group_by(Segmento_Det, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_col() +
  labs(x="Producto", y= "Ventas Totales últimos 4 años", title = "Agua vs Refresco", color = "Segmento")

# 4.¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?

ventas_totales_er <- df7 %>%
  filter(Marca == "Ciel Agua Purificada" | Marca == "Coca-Cola" | Marca == "Powerade" | Marca == "Sprite Zero" | Marca == "Fanta" | Marca == "Fresca" | Marca == "Manzana Lift") %>%
  group_by(Marca, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)
## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=Marca, color= as.factor(Marca))) +
  geom_col() +
  labs(x="Mes", y= "Ventas Totales", title = "Unidades vendidas por mes de cada una de las marcas", color = "Marca")

# 5.¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?

ventas_totales_er <- df7 %>%
  group_by(Tamaño_Cte_Industria, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)
## `summarise()` has grouped output by 'Tamaño_Cte_Industria'. You can override
## using the `.groups` argument.
ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_area() +
  labs(x="Año", y= "Incremento de Ventas Totales", title = "Ventas entre los diferentes tamaños de clientes", color = "Tamaño de la industria")

Actividad individual 4

ventas_4567 <- df7 %>%
  filter(Cliente =="4567") %>%
  group_by(Año)  %>%
  summarise(Ventas_Totales = sum(Ventas))  %>%
  filter(Ventas_Totales != 0)

 #ventas_4567$Secuencia <- 1:nrow(ventas_4567)

ggplot(ventas_4567, aes (x=Año, y=Ventas_Totales)) + 
  geom_point()+
  labs(x="Año", y="Ventas Totales(Qty)", title ="Ventas Totales del cliente 4567" )

regresion <- lm(Ventas_Totales~Año, data=ventas_4567)
summary(regresion)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_4567)
## 
## Residuals:
##     1     2     3 
## -5092 10185 -5092 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept) 48918677   17799125   2.748    0.222
## Año           -24174       8820  -2.741    0.223
## 
## Residual standard error: 12470 on 1 degrees of freedom
## Multiple R-squared:  0.8825, Adjusted R-squared:  0.765 
## F-statistic: 7.512 on 1 and 1 DF,  p-value: 0.2227
datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion
##          1          2          3          4          5          6 
##  87197.333  63023.333  38849.333  14675.333  -9498.667 -33672.667
ventas_4567$Tipo_de_dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_dato <- "Prediccion"

datos_combinados <- rbind(ventas_4567,datos)

ggplot(datos_combinados, aes (x=Año, y=Ventas_Totales, color=Tipo_de_dato)) + 
  geom_point()+
  labs(x="Año", y="Ventas Totales(Qty)", title ="Pronostico de ventas del cliente 4567" )

Tarea Colaborativa 4

Actividad individual 5

Tarea Colaborativa 5

Actividad individual 2

Evidencia

---
title: "Actividad individual 2. Importación, Limpieza, y Transformación de Datos"
author: "Adriana Berrellez"
date: "2024-03-19"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: cosmo
---


![](C:\\Users\\Usuario\\Downloads\\Arca_Continental_logo.svg.png)



# <span style="color:red;">instalar paquetes y llamar librerias</span>
```{r message=TRUE, warning=TRUE}
#install.packages("readx1") #Leer documentos de excel
library(readxl)
#install.packages("tidyverse") #Manipulacion de datos
library(tidyverse)
#install.packages("ggplot2") #Generar graficos presentables
library(ggplot2)
```

```{r}
#file.choose()
```


# <span style="color:red;">Actividad individual 2</span>

# Importar la base de datos
```{r}
#file.choose
df <- read_excel("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
```
# Revisar la estructura de datos
```{r}
str(df)
```


# Revisar NAs en la base de datos
```{r}
#Cuantos NAs tengo en la base de datos?
sum(is.na(df))

# Cuantos NAs tengo por variable?
sapply(df, function(x) sum(is.na(x)))

#opcion 1, Eliminar NAs
# df <- na.omit(df)

#opcion 2. Reemplazar NAs con CEROS
df1 <- df
df1 [is.na(df1)] <- 0
sum (is.na(df1))

#opcio 3. Reemplazar NAs con PROMEDIO
#df1 <- df
#df1$Enero[is.na(df1$Enero)] <- mean(df1$Enero, na.rm+TRUE)
```

# Detectar valores atipicos
```{r}
boxplot(df1$Enero)

#Eliminar renglon
df1 <- df1[df1$Enero <6000, ]
boxplot(df1$Enero)
```
# Funciones del paquete dplyr
```{r}
#Adecuar nombres con rename
names(df1) <- gsub (" ", "_", names (df1))

#Muestra las ventas de Enero a Junio por Cedi:
df2 <- select(df1, c(CEDI, Enero:Junio))

# Muestra los  movimientos por cedi y tamano de la tienda grande:
df3 <- df1 %>% filter(Tamaño_Cte_Industria  == "Grande")

# Ordena  la base de datos por Cedi, marca y por presentacion:
df4 <- df1 %>% arrange(CEDI, Marca, Presentacion)

#Agrega un campo calculado con las ventas del primer semestre y muestra  las ventas del primer semestre por marca:
df5 <- df1 %>% mutate(ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- df5 %>%
  group_by(Marca) %>%
  summarise(ventas_sem1=sum(ventas_Sem1))

#Obtener la media  de las ventas del primer semestre  agrupado por marca, presentacion y tamano
df6 <- df5 %>% 
  group_by(Marca, Presentacion, Tamaño)%>%
  summarise(ventas_sem1=mean(ventas_Sem1))

# Calcualar medidas de central
summary(df1)

# Colapsar meses en una columna
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)
df7
```


# <span style="color:red;">Tarea Colaborativa 2</span>

# Insertar librerías
```{r}
library(tidyverse)
library(dplyr)
library(readxl)
library(ggplot2)
```

```{r}
#file.choose("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
datos <- read_excel("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
```

# Uso de Select(): 
```{r}
#Se desea seleccionar Sub Territoriio, Segmento Det y Marca. Al seleccionarlas implica entender el contexto, poder evaluar la relevancia y calidad de los datos, considerar variables relacionadas para realizar el analisis adecuado.
datos_1 <- datos %>%
  select(`Sub Territorio`, `Segmento Det`, Marca)
print(datos_1)
```

# Cantidad de distribuciòn de distintas Marcas por sub Territorio
```{r}
# Se desea identificar cantidad de ventas en los distintos productos por sub territorio, de las distintas marcas en los diversos territorios. Esto con una grafica para visualizar de mejor manera.

grafico <- ggplot(datos, aes(x = `Sub Territorio`, fill = Marca)) +
  geom_bar(position = "dodge") +
  labs(title = "Ventas de distintas Marcas por Sub Territorio",
       x = "Sub Territorio",
       y = "Cantidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Visualizar gráfico
print(grafico)
```

# Filtrar territorios con consumo de "Coca-Cola" mayor que 5, en el  mes de Enero
```{r}
#Se sabe que en Mèxico es de los principales paises que consumen una mayor cantidad de Coca-Cola, por lo cual se desa manipularlos datos del producto Coca cola en el mes de Enero

datos_2 <- datos %>%
  filter(Marca == "Coca-Cola" & Enero> 5)

# Visualizar resultado
print(datos_2)
```

# Uso de arrange
```{r}
#Seleccionar solo las columnas de enero a mayo y ordenar los datos por el consumo de "Burn" en el territorio "Guadalajara"
datos_3 <- datos %>%
  filter(Territorio == "Guadalajara" & Marca == "Burn") %>%
  select(Territorio, Marca, Enero:Mayo) %>%
  arrange(desc(Enero))

# Mostrar el resultado
print(datos_3)
```

# Uso de group_by() & summarise()
```{r}
#Agrega un campo calculado con las ventas del primer semestre y muestra  las ventas del primer semestre por marca:
datos_4 <- datos %>% mutate(ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- datos_4 %>%
  group_by(Marca) %>%
  summarise(ventas_sem1=sum(ventas_Sem1))
print(datos_4)
```


# <span style="color:red;">Actividad individual 3</span>

```{r}
#Agregar una plumna con el numero del mes
meses <- c ("Enero"="01","Febrero"="02","Marzo"="03","Abril"="04","Mayo"="05","Junio"="06","Julio"= "07", "Agosto"="08", "Septiembre"="09", "Octubre"="10", "Noviembre"="11", "Diciembre"="12")

df7$Número_de_Mes <- meses[df7$Mes]

#Graficar el total de ventas por mes y año

ventas_totales <- df7 %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum (Ventas)) %>%
  arrange(Número_de_Mes)

ggplot(ventas_totales, aes (x=Número_de_Mes, y=Ventas_Totales, group=Año, color=as.factor(Año))) + 
  geom_line()+
  geom_point()+
  labs(x="Mes", y="Ventas Totales(Qty)", color="Año" )
```

# <span style="color:red;">Tarea Colaborativa 3</span>                                                                                                                                                     
```{r}
# 1.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?

ventas_totales_er <- df7 %>%
    filter(Retornable_NR == "Retornable") %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)

ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales de productos en envases retornables", color = "Año")


# 2.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)

ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales por segmento", color = "Segmento")

# 3.¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular") %>%
  group_by(Segmento_Det, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)

ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_col() +
  labs(x="Producto", y= "Ventas Totales últimos 4 años", title = "Agua vs Refresco", color = "Segmento")

# 4.¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?

ventas_totales_er <- df7 %>%
  filter(Marca == "Ciel Agua Purificada" | Marca == "Coca-Cola" | Marca == "Powerade" | Marca == "Sprite Zero" | Marca == "Fanta" | Marca == "Fresca" | Marca == "Manzana Lift") %>%
  group_by(Marca, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)

ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=Marca, color= as.factor(Marca))) +
  geom_col() +
  labs(x="Mes", y= "Ventas Totales", title = "Unidades vendidas por mes de cada una de las marcas", color = "Marca")

# 5.¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?

ventas_totales_er <- df7 %>%
  group_by(Tamaño_Cte_Industria, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)

ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_area() +
  labs(x="Año", y= "Incremento de Ventas Totales", title = "Ventas entre los diferentes tamaños de clientes", color = "Tamaño de la industria")
```

# <span style="color:red;">Actividad individual 4</span>

```{r}
ventas_4567 <- df7 %>%
  filter(Cliente =="4567") %>%
  group_by(Año)  %>%
  summarise(Ventas_Totales = sum(Ventas))  %>%
  filter(Ventas_Totales != 0)

 #ventas_4567$Secuencia <- 1:nrow(ventas_4567)

ggplot(ventas_4567, aes (x=Año, y=Ventas_Totales)) + 
  geom_point()+
  labs(x="Año", y="Ventas Totales(Qty)", title ="Ventas Totales del cliente 4567" )

regresion <- lm(Ventas_Totales~Año, data=ventas_4567)
summary(regresion)


datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion

ventas_4567$Tipo_de_dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_dato <- "Prediccion"

datos_combinados <- rbind(ventas_4567,datos)

ggplot(datos_combinados, aes (x=Año, y=Ventas_Totales, color=Tipo_de_dato)) + 
  geom_point()+
  labs(x="Año", y="Ventas Totales(Qty)", title ="Pronostico de ventas del cliente 4567" )
```


# <span style="color:red;">Tarea Colaborativa 4</span>

# <span style="color:red;">Actividad individual 5</span>

# <span style="color:red;">Tarea Colaborativa 5</span>

# <span style="color:red;">Actividad individual 2</span>

# <span style="color:red;"> Evidencia</span>

