EDA for The Chocolate sales dataset_Hw3
Natalia Bonilla V.
2025-03-14
Exploratory Data Analisis
Para este trabajo se escogió un database de Ventas de Chocolate, con venta en dólares. Descargado en Kaggle. https://www.kaggle.com/datasets/atharvasoundankar/chocolate-sales
1. Explorando los datos
2.1 Lectura de Chocolate Sales Dataset.
df <- read.csv("Chocolate_Sales.csv")1.2 Usando Head
head(df, 3)## Sales.Person Country Product Date Amount Boxes.Shipped
## 1 Jehu Rudeforth UK Mint Chip Choco 04-Jan-22 $5,320 180
## 2 Van Tuxwell India 85% Dark Bars 01-Aug-22 $7,896 94
## 3 Gigi Bohling India Peanut Butter Cubes 07-Jul-22 $4,501 911.3 Usando Tail
tail(df, 3)## Sales.Person Country Product Date Amount
## 1092 Ches Bonnell Canada Organic Choco Syrup 26-Jul-22 $574
## 1093 Dotty Strutley India Eclairs 28-Jul-22 $2,086
## 1094 Karlen McCaffrey India 70% Dark Bites 23-May-22 $5,075
## Boxes.Shipped
## 1092 217
## 1093 384
## 1094 3442. Estructura del DataSet
2.1 Usando summary
Genera un resumen estadístico de cada variable. Para variables numéricas, muestra la media, mediana, mínimo, máximo y cuartiles.
Para variables categóricas, muestra la frecuencia de cada categoría.
summary(df)## Sales.Person Country Product Date
## Length:1094 Length:1094 Length:1094 Length:1094
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Amount Boxes.Shipped
## Length:1094 Min. : 1.0
## Class :character 1st Qu.: 70.0
## Mode :character Median :135.0
## Mean :161.8
## 3rd Qu.:228.8
## Max. :709.02.2 Usando str
Para ver la estructura de mis datos, puedo hacerlo con str.
Acá debemos de tener en cuenta los tipos de datos que tiene cada columna ya que algunos se tendrán que transformar para su uso estadístico.
str(df)## 'data.frame': 1094 obs. of 6 variables:
## $ Sales.Person : chr "Jehu Rudeforth" "Van Tuxwell" "Gigi Bohling" "Jan Morforth" ...
## $ Country : chr "UK" "India" "India" "Australia" ...
## $ Product : chr "Mint Chip Choco" "85% Dark Bars" "Peanut Butter Cubes" "Peanut Butter Cubes" ...
## $ Date : chr "04-Jan-22" "01-Aug-22" "07-Jul-22" "27-Apr-22" ...
## $ Amount : chr "$5,320 " "$7,896 " "$4,501 " "$12,726 " ...
## $ Boxes.Shipped: int 180 94 91 342 184 38 176 73 59 102 ...En la estructura anterior, se puede apreciar que en _*Amount se muestra como char, entonces a continuación procederemos a eliminar el signo de dólar($), la coma(,) y convertirlo en número, para poder trabajar con los datos.
Para lograrlo se investigó la función gsub, que significa “Global Substitution”, y se usa para reemplazar patrones dentro de un string.
Formula: gsub(pattern, replacement, x) donde x = a la columna del df. En este caso df$Amount.
El patrón es una expresión regular, “[\$, ]”, y esto se reemplaza por -> “” que no tiene nada.
Finalmente, se convierte en numero con la función as.numeric()
df$Amount <- as.numeric(gsub("[\\$, ]", "", df$Amount))
summary(df)## Sales.Person Country Product Date
## Length:1094 Length:1094 Length:1094 Length:1094
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Amount Boxes.Shipped
## Min. : 7 Min. : 1.0
## 1st Qu.: 2390 1st Qu.: 70.0
## Median : 4868 Median :135.0
## Mean : 5652 Mean :161.8
## 3rd Qu.: 8027 3rd Qu.:228.8
## Max. :22050 Max. :709.02.3 Conversión a Factor
Para poder usar Sales.Person de mejor manera, lo hemos
convertido a factor, y podemos ver determinar a simple vista un top de
mejores vendedores, aunque los datos no están ordenados de mayor a
menor.
df$Sales.Person <- as.factor(df$Sales.Person)
sort(table(df$Sales.Person), decreasing = TRUE)##
## Kelci Walkden Brien Boise Van Tuxwell Beverie Moffet
## 54 53 51 50
## Dennison Crosswaite Oby Sorrel Ches Bonnell Gigi Bohling
## 49 49 48 47
## Karlen McCaffrey Curtice Advani Kaine Padly Madelene Upcott
## 47 46 45 45
## Marney O'Breen Barr Faughny Gunar Cockshoot Jehu Rudeforth
## 45 43 43 43
## Roddy Speechley Mallorie Waber Andria Kimpton Jan Morforth
## 43 41 39 39
## Husein Augar Dotty Strutley Rafaelita Blaksland Wilone O'Kielt
## 38 36 34 34
## Camilla Castle
## 32Acá convertimos Country a factor. Mas adelante veremos
un gráfico para observar visualmente el país con mayor venta
country_factor <- as.factor(df$Country)
sort(table(country_factor), decreasing = TRUE)## country_factor
## Australia India USA UK Canada New Zealand
## 205 184 179 178 175 1733. Métricas Estadísticas
Vamos a explorar el promedio, la media.
Acá estamos usando num_cols para almacenar todos los rows de las columnas que solo son numéricas con sapply.
num_cols <- df[, sapply(df, is.numeric)]
head(num_cols, 5)## Amount Boxes.Shipped
## 1 5320 180
## 2 7896 94
## 3 4501 91
## 4 12726 342
## 5 13685 1843.2 Mínimos
Acá vamos aplicar el min para num_cols
min_values <- apply(num_cols, 2, min, na.rm = TRUE)
min_values## Amount Boxes.Shipped
## 7 13.3 Máximos
Lo mismo para el max en num_cols
max_values <- apply(num_cols, 2, max, na.rm = TRUE)
max_values## Amount Boxes.Shipped
## 22050 7093.4 Promedios
Aplicaremos la misma fórmula para revisar los promedios
mean_values <- apply(num_cols, 2, mean, na.rm = TRUE)
mean_values## Amount Boxes.Shipped
## 5652.308 161.7983.5 Mediana
Con la mediana verificaremos que tantos valores atípicos tiene el promedio de datos
median_values <- apply(num_cols, 2, median, na.rm = TRUE)
median_values## Amount Boxes.Shipped
## 4868.5 135.03.6 Desviación Estándar (DE)
Revisaremos si tenemos una DE alta o baja con respecto al promedio
sd_values <- apply(num_cols, 2, sd, na.rm = TRUE)
sd_values## Amount Boxes.Shipped
## 4102.4420 121.54413.7 Correlacion entre Amount y Box shipped
cor(df$Amount, df$Boxes.Shipped)## [1] -0.018826854. Análisis de las Variables Amount y Box shipped
No existe una correlación entre Amount y
Boxes.Shipped. Las ventas no dependen de la cantidad de
cajas enviadas.
4.1 Análisis Amount
- La diferencia entre el valor
min_valuesy elmax_values}}` para Amount es muy significativa, lo que indica que hay amplia variabilidad en los montos de las ventas. - La
median_values<mean_valueslo que quiere decir que hay valores muy altos que llevan la media hacia arriba. - La
sd_valueses bastante alta, lo que confirma la alta variabilidad en los montos de las ventas.
4.2 Análisis Box Shipped
- La diferencia entre el valor
min_valuesy elmax_valuespara Box Shipped es muy significativa, lo que indica que hay amplia variabilidad en la cantidad de productos enviados. - La
median_values<mean_valuespero no es una diferencia tan pronunciada con en Amount. - La
sd_valueses considerablemente alta, lo que confirma la variabilidad en la cantidad de cajas enviadas.
5. Visualizaciones
Los gráficos que vamos a utilizar en este caso serán:
- Scatterplot: Grafico de dispersión para visualizar la relación entre Amount y Boxes.Shipped y ver gráficamente lo que vimos en números anteriores.
- Boxplot: Para ver los valores atípicos de Amount y Boxes.Shipped.
- Bar: gráficos en los que veremos rankings de mejores y peores ventas, vendedores, países.
- Line: Con este podremos visualizar cuando se vendió más.
librerías a utilizar
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.4.3library(dplyr)## Warning: package 'dplyr' was built under R version 4.4.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(lubridate)## Warning: package 'lubridate' was built under R version 4.4.3##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, union5.1 Scatterplot
Acá mostraremos la distribución de los puntos de datos.
- La línea roja muestra la tendencia lineal entre las variables. No hay regresión lineal.
- Los puntos que se alejan mucho de la línea de regresión podrían ser valores atípicos.
ggplot(df, aes(x=Boxes.Shipped, y = Amount, color=Country))+
geom_point(size=1, alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE, color = "#ff5959") +
labs(title = "Relacion entre Amount y Boxes.Shipped",
x = "Boxes Shipped",
y = "Amount (USD)") +
scale_y_continuous(labels = scales::label_dollar()) +
theme_minimal() #+## `geom_smooth()` using formula = 'y ~ x'
5.2 Boxplot
Como la DE es larga, habían sospechas de outliers, acá podemos identificar esos valores atípicos visualmente.
ggplot(df, aes(x = Amount)) +
geom_boxplot(fill="lightblue") +
scale_x_continuous(labels = scales::label_dollar()) +
labs(title = "Boxplot per Amount (USD)",
x = "Amount (USD)",
y = "Frequency")
ggplot(df, aes(x = Boxes.Shipped)) +
geom_boxplot(fill="lightblue") +
labs(title = "Boxplot Boxes shipped",
x = "Boxes Shipped",
y = "Frequency")
5.3 Bar
Acá veremos los distintos usos del Grafico de Barras, funciona muy bien para rankings
5.3.1 Rankings
Para el *new_topN usamos “%>%” que es el pipe operator** del paquete dplyr que nos ayuda a concatenar varias operaciones. Entonces pasamos df, a la siguiente función de la cadena.
Arrange() se utiliza para reordenar las filas de un data frame basándose en los valores de una o más columnas. Mientras que desc() nos ordena de mayor a menor.
Para un Top N usaremos esta función la cual podremos utilizar a través de nuestro EDA y podremos definir si es un ranking más o menos ventas con head o tail.
new_topN <- function(topN, rank = "head") {
df %>%
group_by(Product) %>% # Group by Product
summarize(Amount = sum(Amount)) %>% # Sum sales for each product
arrange(desc(Amount)) %>% # Sort in descending order
{ if (rank == "head") head(., topN) else tail(., topN) } # Apply head or tail dynamically
}5.3.1.1 Top 10 de productos más vendidos
A continuación se presenta un gráfico de barras, con el fin de mostrar el top 20 de los productos más vendidos.
Aquí usamos la función *scale_x_continuous** para darle formato a de dólares al eje X
ggplot(new_topN(10, "head"), aes(x = Amount, y = reorder(Product, Amount), fill = Product)) +
geom_bar(stat = "identity") +
geom_text(aes(label = scales::label_dollar()(Amount)),
hjust = 1.2, color = "white", size = 4, fontface = "bold") +
scale_x_continuous(labels = scales::label_dollar()) +
labs(title = "Top 10 de Mayores Ingresos Generados por Producto",
x = "Amount (USD)", y = "Product") +
theme_minimal()
5.3.1.2 Top 5 producto menos vendido
Acá se presenta un gráfico de barras, mostrando el top 5 de los productos menos vendidos.
ggplot(new_topN(5, "tail"), aes(x = Amount, y = reorder(Product, Amount), fill = Product)) +
geom_bar(stat = "identity") +
geom_text(aes(label = scales::label_dollar()(Amount)), # Add formatted labels
hjust = 1.2, color = "white", size = 4, fontface = "bold") + # Adjust label position & color
scale_x_continuous(labels = scales::label_dollar()) +
labs(title = "Top 5 de Menores Ingresos Generados por Producto", x = "Amount (USD)", y = "Product") +
theme_minimal()
5.3.1.3 Top 10 de los Mejores Vendedores
sales_rate <- df %>%
group_by(Sales.Person) %>%
summarize(Total_Amount = sum(Amount)) %>%
arrange(desc(Total_Amount)) %>% # Sort from highest to lowest
slice(1:10)
ggplot(sales_rate, aes(x = reorder(Sales.Person, Total_Amount), y = Total_Amount)) +
geom_bar(stat = "identity", fill = "#4682B4") +
geom_text(aes(label = scales::label_dollar()(Total_Amount)), # Add formatted labels
hjust = 0.5, vjust = 2, color = "white", size = 3, fontface = "bold") +
scale_y_continuous(labels = scales::label_dollar()) +
labs(title = "Top 10 de los mejores Vendedores", x = "Sales Person", y = "Amount (USD)") +
scale_fill_viridis_d(option = "C") + # "C" is a blueish Viridis scale
theme_minimal() +
theme(axis.text.x = element_text(angle=45, hjust = 1))
5.3.2 Productos vendidos por País
country_sales <- df %>%
group_by(Country) %>%
summarize(Total_Amount = sum(Amount)) %>%
arrange(desc(Total_Amount)) # Sort from highest to lowest
ggplot(country_sales, aes(x = Total_Amount, y = reorder(Country, Total_Amount))) +
geom_bar(stat = "identity", fill = "#4682B4") +
geom_text(aes(label = scales::label_dollar()(Total_Amount)), # Add formatted labels
hjust = 1.2, color = "white", size = 4, fontface = "bold") +
scale_x_continuous(labels = scales::label_dollar()) +
labs(title = "Pais con mayor venta de Chocolates", x = "Country", y = "Amount (USD)") +
scale_fill_viridis_d(option = "C") + # "C" is a blueish Viridis scale
theme_minimal()
5.4 Grafico Líneas
Vamos a darle formato a Date para poder trabajar con él
y poder visualizar el comportamiento de los Datos.
library(lubridate)
df$Date <- as.Date(df$Date, format = "%d-%b-%y")
df$Month <- format(df$Date, "%Y-%m")
df$month <- floor_date(df$date, "month")
monthly_sales <- aggregate(Amount ~ Month, data = df, sum)
monthly_sales <- monthly_sales[order(monthly_sales$Amount, decreasing = TRUE), ]5.4.1 Comportamiento de las Ventas por mes
ggplot(monthly_sales, aes(x = Month, y = Amount, group = 1)) +
geom_line(color = "#4682B4", size = 1) +
geom_point(color = "#3c6e99", size = 3) +
geom_text(aes(label = scales::label_dollar()(Amount)), # Add formatted labels
hjust = 0.5, vjust = -0.4, color = "black", size = 4) +
scale_y_continuous(labels = scales::label_dollar()) +
labs(title = "Comportamiento de Ventas Mensuales",
x = "Mes",
y = "Ventas Totales") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.