Instalar paquetes y llamar librerías

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

Actividad Individual 2

Importar la base de datos

# file.choose()
df<- read_excel("/Users/robertovalenzuela/Downloads/Roberto Valenzuela_Datos Arca Continental Original.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)

Actividad Individual 3,

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>
# 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")



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

Actividdad Individual 4

Tarea Colaborativa 4

Actividdad Individual 5

Evidencia

ventas_totales <- df1 group_by(Año, Mes) summarise(Ventas_Totales = sum(Ventas))

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