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,Año) %>% 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_totales, 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_totales)) %>% 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,

Análisis gráfico

# Ventas Coca-Cola
df13 <- df12 %>% mutate(ventas_totales = Ventas_Sem1 + Ventas_Sem2)

df_coca_cola<- select(df13,c(Marca,Año, ventas_totales))

Ventas_totales_por_marca <- df_coca_cola %>% group_by(Marca,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)
## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.
Coca_Cola<- Ventas_totales_por_marca %>% filter(Marca== "Coca-Cola")

ggplot(Coca_Cola, aes(x=Año, y= ventas_totales, group=Marca)) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas Coca-Cola",x= "Año", y="Ventas Totales(Qty)")

# Ventas Retornable
df_retornables<- select(df13,c(Retornable_NR,Año, ventas_totales))

Ventas_retornables <- df_retornables %>% group_by(Retornable_NR,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)
## `summarise()` has grouped output by 'Retornable_NR'. You can override using the
## `.groups` argument.
ggplot(Ventas_retornables, aes(x=Año, y= ventas_totales, group=Retornable_NR, color= as.factor(Retornable_NR))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su envase",x= "Año", y="Ventas Totales(Qty)",color= "Envase")

# Ventas Sucursal
df_sucursal<- select(df13,c(CEDI,Año, ventas_totales))

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

# Ventas según tamaño
df_tamaño<- select(df13,c(Tamaño,Año, ventas_totales))

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

# Ventas según tamaño industria
df_tamaño_industria<- select(df13,c(Tamaño_Cte_Industria, ventas_totales))

Ventas_tamaño_industria <- df_tamaño_industria %>% group_by(Tamaño_Cte_Industria) %>% summarise(ventas_totales=sum(ventas_totales)) 

ggplot(Ventas_tamaño_industria, aes(x=Tamaño_Cte_Industria, y= ventas_totales, group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_col() +
  labs(title = "Ventas según su tamaño",x= "Año", y="Ventas Totales(Qty)",color= "Tamaño")

Actividdad Individual 4,

# Elaborar regresión lineal
ventas_4567 <- df13 %>% filter(Cliente== "4567")%>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)

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

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

regresion <- lm(ventas_totales ~ Año, data=ventas_4567)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_4567)
## 
## Residuals:
##      1      2      3 
## -61108 122216 -61108 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)
## (Intercept) 587024128  213589498   2.748    0.222
## Año           -290088     105842  -2.741    0.223
## 
## Residual standard error: 149700 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
# Ecuación 
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
##       1       2       3       4       5       6 
## 1046368  756280  466192  176104 -113984 -404072
ventas_4567$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_4567,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas cliente 4567 a 5 años",x= "Año", y="Ventas Totales(Qty)")

Tarea Colaborativa 4,

Mejores_clientes <- df13 %>%  group_by(Cliente, Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(ventas_totales)
## `summarise()` has grouped output by 'Cliente'. You can override using the
## `.groups` argument.
# Elaborar regresión lineal
ventas_6114 <- df13 %>% filter(Cliente== "6114")%>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)

# ventas_77796$Secuencia <- 1:nrow(ventas_77796)

ggplot(ventas_6114, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas cliente 6114",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_6114)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_6114)
## 
## Residuals:
##      1      2      3 
## -43248  86496 -43248 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)
## (Intercept) 230393988  151163818   1.524     0.37
## Año           -113856      74908  -1.520     0.37
## 
## Residual standard error: 105900 on 1 degrees of freedom
## Multiple R-squared:  0.6979, Adjusted R-squared:  0.3958 
## F-statistic:  2.31 on 1 and 1 DF,  p-value: 0.3705
# Ecuación 
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%

Datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,Datos)
prediccion
##       1       2       3       4       5       6 
##  404868  291012  177156   63300  -50556 -164412
ventas_6114$Tipo_de_Dato <- "Datos Reales"
Datos$ventas_totales <- prediccion
Datos$Tipo_de_Dato <- "Predicción"

Datos_combinados <- rbind(ventas_6114,Datos)

ggplot(Datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas cliente 6114 a 5 años",x= "Año", y="Ventas Totales(Qty)")

# Elaborar regresión lineal


ggplot(Coca_Cola, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas Coca Cola",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=Coca_Cola)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = Coca_Cola)
## 
## Residuals:
##        1        2        3        4 
##   318246  2290104 -5534946  2926596 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -9.193e+09  4.258e+09  -2.159    0.164
## Año          4.589e+06  2.111e+06   2.174    0.162
## 
## Residual standard error: 4719000 on 2 degrees of freedom
## Multiple R-squared:  0.7027, Adjusted R-squared:  0.554 
## F-statistic: 4.727 on 1 and 2 DF,  p-value: 0.1617
# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
##        1        2        3        4        5        6 
## 76304886 80893488 85482090 90070692 94659294 99247896
Coca_Cola$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(Coca_Cola,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Coca Cola a 5 años",x= "Año", y="Ventas Totales(Qty)")

# Elaborar regresión lineal
ventas_Huentitán <- Ventas_sucursal %>% filter(CEDI== "Suc. Huentitán")



ggplot(ventas_Huentitán, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas de Sucursal Huentitán",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_Huentitán)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_Huentitán)
## 
## Residuals:
##        1        2        3        4 
##  3070121 -2711204 -3787954  3429037 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -385274928 4177889972  -0.092    0.935
## Año             202081    2070825   0.098    0.931
## 
## Residual standard error: 4631000 on 2 degrees of freedom
## Multiple R-squared:  0.004739,   Adjusted R-squared:  -0.4929 
## F-statistic: 0.009523 on 1 and 2 DF,  p-value: 0.9312
# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
##        1        2        3        4        5        6 
## 22929096 23131177 23333258 23535340 23737421 23939502
ventas_Huentitán$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_Huentitán,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Sucursal Huentitán a 5 años",x= "Año", y="Ventas Totales(Qty)")

ventas_Belenes <- Ventas_sucursal %>% filter(CEDI== "Suc. Belenes")



ggplot(ventas_Belenes, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "entas de Sucursal Belenes",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_Belenes)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_Belenes)
## 
## Residuals:
##        1        2        3        4 
##  2538620  1071029 -9757919  6148270 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.976e+10  7.565e+09  -2.612    0.121
## Año          9.809e+06  3.750e+06   2.616    0.120
## 
## Residual standard error: 8385000 on 2 degrees of freedom
## Multiple R-squared:  0.7738, Adjusted R-squared:  0.6607 
## F-statistic: 6.842 on 1 and 2 DF,  p-value: 0.1203
# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
##         1         2         3         4         5         6 
##  52050486  61859146  71667805  81476465  91285124 101093784
ventas_Belenes$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_Belenes,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Sucursal Belenes a 5 años",x= "Año", y="Ventas Totales(Qty)")

Actividdad Individual 5,

Evidencia,

---
title: 'Arca Continental | Proyecto: Siglo XXI'
author: "Jorge Arthur A01285142"
date: "2024-03-19"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: yeti
    
---


# <span style= "color: red;">Instalar paquetes y lamar librerías,</span>
```{r message=FALSE, warning=FALSE}
# install.packages("readxl") #leer documentos de excel
library(readxl)
# install.packages("tidyverse") #manipular datos
library(tidyverse)
# install.packages("ggplot2") #gráficas
library(ggplot2)
```

# <span style= "color: red;">Actividdad Individual 2,</span>

## importar la base de datos
```{r message=FALSE, warning=FALSE}
# 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
```{r message=FALSE, warning=FALSE}
str(df)

## Revisar NAs en la base de datos
# Cuántos NAs tengo en la base de datos?
sum(is.na(df))

# Cuántos NAs tengo por variable?
sapply(df,function(x) sum(is.na(x)))

# 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))

# Opción 3. Reemplazar NAs con PROMEDIO
# df1 <- df
#df1$Enero[is.na(df1$Enero)]<- mean(df1$Enero, na.rm=TRUE)

```







## Detectar valores atipicos
```{r message=FALSE, warning=FALSE}
boxplot(df1$Enero)

# Eliminar renglón de totales
df1 <- df1[df1$Enero < 6000,]
```

## Funciones del paquete dplyr
```{r message=FALSE, warning=FALSE}
# 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,Año) %>% 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)
 
 
```

# <span style= "color: red;">Tarea Colaborativa 2,</span>
## Detectar datos adicionales
```{r}
# 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_totales, Enero:Diciembre)
 
```



# <span style= "color: red;">Actividdad Individual 3,</span>
```{r}
# 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_totales)) %>% arrange(Numero_de_Mes)


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")

```

# <span style= "color: red;">Tarea Colaborativa 3,</span>
## Análisis gráfico

```{r}
# Ventas Coca-Cola
df13 <- df12 %>% mutate(ventas_totales = Ventas_Sem1 + Ventas_Sem2)

df_coca_cola<- select(df13,c(Marca,Año, ventas_totales))

Ventas_totales_por_marca <- df_coca_cola %>% group_by(Marca,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

Coca_Cola<- Ventas_totales_por_marca %>% filter(Marca== "Coca-Cola")

ggplot(Coca_Cola, aes(x=Año, y= ventas_totales, group=Marca)) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas Coca-Cola",x= "Año", y="Ventas Totales(Qty)")

# Ventas Retornable
df_retornables<- select(df13,c(Retornable_NR,Año, ventas_totales))

Ventas_retornables <- df_retornables %>% group_by(Retornable_NR,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

ggplot(Ventas_retornables, aes(x=Año, y= ventas_totales, group=Retornable_NR, color= as.factor(Retornable_NR))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su envase",x= "Año", y="Ventas Totales(Qty)",color= "Envase")

# Ventas Sucursal
df_sucursal<- select(df13,c(CEDI,Año, ventas_totales))

Ventas_sucursal <- df_sucursal %>% group_by(CEDI,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

ggplot(Ventas_sucursal, aes(x=Año, y= ventas_totales, group=CEDI, color= as.factor(CEDI))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su sucursal",x= "Año", y="Ventas Totales(Qty)",color= "sucursal")

# Ventas según tamaño
df_tamaño<- select(df13,c(Tamaño,Año, ventas_totales))

Ventas_tamaño <- df_tamaño %>% group_by(Tamaño,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

ggplot(Ventas_tamaño, aes(x=Año, y= ventas_totales, group=Tamaño, color= as.factor(Tamaño))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su tamaño",x= "Año", y="Ventas Totales(Qty)",color= "Tamaño")

# Ventas según tamaño industria
df_tamaño_industria<- select(df13,c(Tamaño_Cte_Industria, ventas_totales))

Ventas_tamaño_industria <- df_tamaño_industria %>% group_by(Tamaño_Cte_Industria) %>% summarise(ventas_totales=sum(ventas_totales)) 

ggplot(Ventas_tamaño_industria, aes(x=Tamaño_Cte_Industria, y= ventas_totales, group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_col() +
  labs(title = "Ventas según su tamaño",x= "Año", y="Ventas Totales(Qty)",color= "Tamaño")

```



# <span style= "color: red;">Actividdad Individual 4,</span>
```{r}
# Elaborar regresión lineal
ventas_4567 <- df13 %>% filter(Cliente== "4567")%>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)

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

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

regresion <- lm(ventas_totales ~ Año, data=ventas_4567)
summary(regresion)

# Ecuación 
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%

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 <- "Predicción"

datos_combinados <- rbind(ventas_4567,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas cliente 4567 a 5 años",x= "Año", y="Ventas Totales(Qty)")
```


# <span style= "color: red;">Tarea Colaborativa 4,</span>
```{r}

Mejores_clientes <- df13 %>%  group_by(Cliente, Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(ventas_totales)


# Elaborar regresión lineal
ventas_6114 <- df13 %>% filter(Cliente== "6114")%>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)

# ventas_77796$Secuencia <- 1:nrow(ventas_77796)

ggplot(ventas_6114, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas cliente 6114",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_6114)
summary(regresion)

# Ecuación 
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%

Datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,Datos)
prediccion
ventas_6114$Tipo_de_Dato <- "Datos Reales"
Datos$ventas_totales <- prediccion
Datos$Tipo_de_Dato <- "Predicción"

Datos_combinados <- rbind(ventas_6114,Datos)

ggplot(Datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas cliente 6114 a 5 años",x= "Año", y="Ventas Totales(Qty)")
```
```{r}
# Elaborar regresión lineal


ggplot(Coca_Cola, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas Coca Cola",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=Coca_Cola)
summary(regresion)

# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
Coca_Cola$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(Coca_Cola,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Coca Cola a 5 años",x= "Año", y="Ventas Totales(Qty)")
```
```{r}
# Elaborar regresión lineal
ventas_Huentitán <- Ventas_sucursal %>% filter(CEDI== "Suc. Huentitán")



ggplot(ventas_Huentitán, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas de Sucursal Huentitán",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_Huentitán)
summary(regresion)

# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
ventas_Huentitán$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_Huentitán,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Sucursal Huentitán a 5 años",x= "Año", y="Ventas Totales(Qty)")
```
```{r}
ventas_Belenes <- Ventas_sucursal %>% filter(CEDI== "Suc. Belenes")



ggplot(ventas_Belenes, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "entas de Sucursal Belenes",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_Belenes)
summary(regresion)

# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
ventas_Belenes$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_Belenes,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Sucursal Belenes a 5 años",x= "Año", y="Ventas Totales(Qty)")
```


# <span style= "color: red;">Actividdad Individual 5,</span>

# <span style= "color: red;">Evidencia,</span>


