Instalar paquetes y lamar librerías,

# install.packages("readxl") #leer documentos de excel
library(readxl)
# install.packages("tidyverse") #manipular datos
library(tidyverse)
# install.packages("ggplot2") #gráficas
library(ggplot2)

Actividdad Individual 2,

importar la base de datos

# file.choose()
df<- read_excel("/Users/jorgearthur/Library/Mobile Documents/com~apple~CloudDocs/Clases/5to semestre/Otros/Bootcamp Programación/Base de datos.xlsx")

revisar estructuras 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
# Cuántos NAs tengo en la base de datos?
sum(is.na(df))
## [1] 3148501
# Cuántos 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
# Opción 1. Eliminar NAs
# df1 <- na.omit(df)

# Opción 2. Reemplazar NAs con CEROS
df1 <- df
df1[is.na(df1)] <- 0
sum(is.na(df1))
## [1] 0
# Opción 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 renglón de totales
df1 <- df1[df1$Enero < 6000,]

Funciones del paquete dplyr

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

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

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

# Ordena la base de datos por cedi, marca y presentación
 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))
 
#Obtén la media de las ventas del primer semestre agrupado por marca, presentación y tamaño.
 
 df6 <- df5 %>% group_by(Marca, Presentacion, Tamaño) %>% summarise(Ventas_Sem1=mean(Ventas_Sem1))
 
# Calcular medidas de tendencia 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

Tarea Colaborativa 2,

Detectar datos adicionales

# Ventas por tipo de envase

df7 <- df5 %>% group_by(Retornable_NR) %>% summarise((Ventas_Sem1=sum(Ventas_Sem1)))

# Ventas de tamaño tipo familiar
df8<- df5 %>% filter(Tamaño== "Familiar")

# Ventas por presentación
df9<- select(df5,c(Presentacion,Ventas_Sem1))

# Ventas segundo semestre
df10 <- df5 %>% mutate(Ventas_Sem2 = Julio + Agosto + Septiembre + Octubre + Noviembre + Diciembre)

# Ventas segundo semestre por marca
Ventas_Sem2_por_marca <- df10 %>% group_by(Marca) %>% summarise(Ventas_Sem2=sum(Ventas_Sem2))

# Ventas por presentación y tipo de envase
 df11 <- df10 %>% arrange (CEDI, Presentacion, Retornable_NR)
 
 # Colapsar meses en una Columna
 df12 <- gather(df10, Mes, Ventas, Enero:Diciembre)

Actividdad Individual 3,

# agregar una columna con el número de 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")

df12$Numero_de_Mes <- meses[df12$Mes]

# Graficar ventas por mes y año
ventas_totales <- df12 %>% group_by(Año,Numero_de_Mes) %>% summarise(Ventas_Totales = sum(Ventas)) %>% arrange(Numero_de_Mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales, aes(x=Numero_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,

Actividdad Individual 4,

Tarea Colaborativa 4,

Actividdad Individual 5,

Evidencia,

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