summary(h_m_1_)## Order ID Order Date Ship Mode Customer ID
## Length:1650 Length:1650 Length:1650 Length:1650
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Country City State Zone
## Length:1650 Length:1650 Length:1650 Length:1650
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Product ID Category Sub-Category Sales
## Length:1650 Length:1650 Length:1650 Length:1650
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Quantity Discount Profit
## Min. : 1.000 Min. :0.0000 Length:1650
## 1st Qu.: 2.000 1st Qu.:0.0000 Class :character
## Median : 3.000 Median :0.2000 Mode :character
## Mean : 4.093 Mean :0.1927
## 3rd Qu.: 6.000 3rd Qu.:0.2000
## Max. :14.000 Max. :0.8000head(h_m_1_)## # A tibble: 6 × 15
## `Order ID` `Order Date` `Ship Mode` `Customer ID` Country City State Zone
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 CA-2019-1585… Thursday, A… Standard C… RB-19465 United… Chic… Illi… Cent…
## 2 CA-2019-1585… Thursday, A… Standard C… RB-19465 United… Chic… Illi… Cent…
## 3 CA-2019-1299… Sunday, Dec… Second Cla… GZ-14470 United… Chic… Illi… Cent…
## 4 US-2019-1568… Wednesday, … Standard C… LC-16870 United… Auro… Colo… West
## 5 US-2019-1568… Wednesday, … Standard C… LC-16870 United… Auro… Colo… West
## 6 US-2019-1568… Wednesday, … Standard C… LC-16870 United… Auro… Colo… West
## # ℹ 7 more variables: `Product ID` <chr>, Category <chr>, `Sub-Category` <chr>,
## # Sales <chr>, Quantity <dbl>, Discount <dbl>, Profit <chr># Instalación y carga de la librería
##install.packages("plotly")
library(plotly)## Warning: package 'plotly' was built under R version 4.3.3## Loading required package: ggplot2##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layout# Utilizaremos las variables Sales, Quantity y Profit
plot_ly(h_m_1_, x = ~Sales, y = ~Quantity, z = ~Profit, type = "scatter3d", mode = "markers",
marker = list(size = 5, color = ~Sales, colorscale = "Viridis")) %>%
layout(scene = list(xaxis = list(title = "Ventas"),
yaxis = list(title = "Cantidad"),
zaxis = list(title = "Beneficio")))Casos de uso y ejemplos de datos
Análisis de ventas: Si estamos analizando datos de ventas de productos, podemos utilizar un gráfico de dispersión tridimensional para visualizar la relación entre las ventas, la cantidad de productos vendidos y el beneficio obtenido. Esto nos permitiría identificar patrones o tendencias en los datos y comprender mejor cómo estas variables están relacionadas entre sí. Optimización de inventario: En el contexto de la gestión de inventario, podríamos tener datos que describen las ventas, la cantidad de productos en stock y el beneficio por producto. Utilizando un gráfico de dispersión tridimensional, podríamos explorar cómo estas variables interactúan y encontrar oportunidades para optimizar el inventario y maximizar el beneficio. Análisis de rentabilidad por cliente: Si estamos analizando datos de clientes y sus transacciones, podríamos utilizar un gráfico de dispersión tridimensional para visualizar la relación entre el valor de las compras realizadas por cada cliente, la cantidad de productos comprados y el beneficio generado por cada transacción. Esto podría ayudarnos a identificar a los clientes más rentables y comprender mejor qué factores contribuyen a su rentabilidad.
Otros casos de usos relevantes:
Ciencia de los materiales: En la investigación de materiales, es común tener datos que describen las propiedades de los materiales en términos de múltiples variables (por ejemplo, resistencia, elasticidad, densidad). Un gráfico de dispersión tridimensional puede ayudar a visualizar la relación entre estas propiedades y explorar posibles tendencias o agrupamientos. Biología molecular: En el campo de la biología molecular, los científicos a menudo trabajan con conjuntos de datos que describen características moleculares de sustancias (por ejemplo, tamaño, carga, polaridad). Un gráfico de dispersión tridimensional puede ser útil para visualizar cómo estas características se relacionan entre sí y cómo pueden influir en los procesos biológicos. Análisis financiero: En el análisis financiero, se pueden tener datos que describen diferentes métricas financieras (por ejemplo, ingresos, gastos, beneficios) para diferentes empresas. Un gráfico de dispersión tridimensional puede ayudar a identificar patrones o relaciones entre estas métricas y puede ser útil para tomar decisiones de inversión. En resumen, el gráfico de dispersión tridimensional es una herramienta útil para explorar relaciones entre tres variables numéricas y puede ser aplicado en una variedad de campos, incluyendo ciencia de los materiales, biología molecular, análisis financiero y más. La capacidad de interactuar con la visualización puede facilitar la identificación de patrones y tendencias en los datos.
En resumen, el gráfico de dispersión tridimensional es una herramienta útil para explorar relaciones entre tres variables numéricas y puede ser aplicado en una variedad de contextos, incluyendo análisis de ventas, gestión de inventario, análisis de clientes y más. La capacidad de interactuar con la visualización puede facilitar la identificación de patrones y oportunidades de optimización en los datos.
#AGREGAR CATEGORÍA
plot_ly(h_m_1_, x = ~Sales, y = ~Quantity, z = ~Profit, color = ~Category,
colors = c('blue', 'red', 'green', 'orange', 'purple', 'yellow', 'cyan', 'magenta', 'brown', 'black'),
type = "scatter3d", mode = "markers",
marker = list(size = 5)) %>%
layout(scene = list(xaxis = list(title = "Ventas"),
yaxis = list(title = "Cantidad"),
zaxis = list(title = "Beneficio")))Agregar una variable categórica al gráfico de dispersión tridimensional mediante el uso de colores nos permite explorar la relación entre variables numéricas y categóricas de manera más completa y visualmente atractiva. Esto puede ser útil en una variedad de contextos, incluyendo análisis de ventas, segmentación de clientes y más.
```