Limpieza de Datos en RStudio: Caso dirty_cafe_sales.csv v2
Manuel Francisco Romero Ospina
2026-03-06
- 1 Introducción
- 2 Fase 1. Diagnóstico y transformación
- 3 Fase 2. Verificación y validación
- 4 Fase 3. Construcción de la base final
- 5 Análisis Exploratorio de Datos (EDA) en RStudio con datos_final
- 6 1. Verificación inicial del dataset limpio
- 7 2. Estadística descriptiva de variables numéricas
- 8 3. Distribución de variables numéricas
- 9 4. Identificación de valores atípicos
- 10 5. Análisis de variables categóricas
- 11 6. Relación entre variables numéricas
- 12 7. Relación entre variables categóricas y numéricas
- 13 8. Análisis temporal de ventas
- 14 9. Top productos por ventas
- 15 10. Indicadores básicos de negocio
1 Introducción
La limpieza de datos es una etapa crítica dentro de cualquier proceso de análisis estadístico, ciencia de datos o modelado predictivo. Una base de datos rara vez llega en condiciones perfectas para ser analizada. En muchos casos aparecen valores inválidos, categorías mal registradas, fechas inconsistentes, errores aritméticos, campos vacíos y variables numéricas almacenadas como texto. Por esta razón, antes de realizar análisis descriptivos, inferenciales o construir modelos, es indispensable desarrollar un flujo de depuración riguroso y verificable.
En este documento se trabaja con la base
dirty_cafe_sales.csv, la cual contiene registros de ventas
de una cafetería. El propósito es mostrar un proceso de limpieza de
datos claro, estructurado y reproducible en RStudio, explicando la
lógica y la importancia de cada bloque de código.
A lo largo del proceso se siguen normalmente tres fases fundamentales:
- Diagnóstico y transformación.
- Verificación y validación.
- Construcción de la base final.
El valor de este enfoque es que permite conservar simultáneamente tres niveles del trabajo:
datos_raw: base original.datos_clean: base transformada y validada.datos_final: base lista para análisis.
2 Fase 1. Diagnóstico y transformación
2.1 1. Cargar los datos
En primer lugar se carga la base de datos. El argumento
stringsAsFactors = FALSE evita que las variables de texto
se conviertan automáticamente en factores, lo que facilita la limpieza
posterior.
# -------------------------------------------------
# 1. Cargar los datos
# -------------------------------------------------
datos <- read.csv("dirty_cafe_sales.csv", stringsAsFactors = FALSE)
# Exploración básica
dim(datos)## [1] 10000 8names(datos)## [1] "Transaction.ID" "Item" "Quantity" "Price.Per.Unit"
## [5] "Total.Spent" "Payment.Method" "Location" "Transaction.Date"str(datos)## 'data.frame': 10000 obs. of 8 variables:
## $ Transaction.ID : chr "TXN_1961373" "TXN_4977031" "TXN_4271903" "TXN_7034554" ...
## $ Item : chr "Coffee" "Cake" "Cookie" "Salad" ...
## $ Quantity : chr "2" "4" "4" "2" ...
## $ Price.Per.Unit : chr "2.0" "3.0" "1.0" "5.0" ...
## $ Total.Spent : chr "4.0" "12.0" "ERROR" "10.0" ...
## $ Payment.Method : chr "Credit Card" "Cash" "Credit Card" "UNKNOWN" ...
## $ Location : chr "Takeaway" "In-store" "In-store" "UNKNOWN" ...
## $ Transaction.Date: chr "2023-09-08" "2023-05-16" "2023-07-19" "2023-04-27" ...head(datos)## Transaction.ID Item Quantity Price.Per.Unit Total.Spent Payment.Method
## 1 TXN_1961373 Coffee 2 2.0 4.0 Credit Card
## 2 TXN_4977031 Cake 4 3.0 12.0 Cash
## 3 TXN_4271903 Cookie 4 1.0 ERROR Credit Card
## 4 TXN_7034554 Salad 2 5.0 10.0 UNKNOWN
## 5 TXN_3160411 Coffee 2 2.0 4.0 Digital Wallet
## 6 TXN_2602893 Smoothie 5 4.0 20.0 Credit Card
## Location Transaction.Date
## 1 Takeaway 2023-09-08
## 2 In-store 2023-05-16
## 3 In-store 2023-07-19
## 4 UNKNOWN 2023-04-27
## 5 In-store 2023-06-11
## 6 2023-03-312.1.1 Importancia de este bloque
Este bloque es esencial porque permite realizar un diagnóstico inicial de la base. Las funciones utilizadas tienen los siguientes propósitos:
read.csv(...): importa el archivo CSV.dim(datos): muestra el número de filas y columnas.names(datos): permite identificar los nombres de las variables.str(datos): muestra la estructura y el tipo de dato de cada variable.head(datos): permite observar rápidamente los primeros registros.
Sin esta revisión inicial no sería posible decidir qué variables requieren transformación.
2.2 2. Copia de seguridad y versión de trabajo
Se crean dos objetos adicionales. Uno conserva la base tal como fue importada y el otro será el espacio de trabajo donde se aplicarán las transformaciones.
# -------------------------------------------------
# 2. Copia de seguridad y versión de trabajo
# -------------------------------------------------
datos_raw <- datos
datos_clean <- datos2.2.1 Importancia de este bloque
Este paso responde a una buena práctica profesional: nunca limpiar
directamente la base original. Mantener datos_raw permite
auditar todo el proceso y comparar resultados. Trabajar con
datos_clean permite transformar sin perder la referencia
inicial.
2.3 3. Limpieza de variables numéricas
Las variables Quantity, Price.Per.Unit y
Total.Spent deberían ser numéricas, pero con frecuencia
llegan almacenadas como texto. En consecuencia, primero se limpian y
luego se convierten a formato numérico.
# -------------------------------------------------
# 3. Limpieza de variables numéricas
# -------------------------------------------------
vars_num <- c("Quantity", "Price.Per.Unit", "Total.Spent")
for (v in vars_num) {
# Convertir a carácter
x <- as.character(datos_clean[[v]])
# Quitar espacios
x <- trimws(x)
# Eliminar comas
x <- gsub(",", "", x, fixed = TRUE)
# Estandarizar para detectar inválidos
x_upper <- toupper(x)
# Reemplazar valores inválidos por NA
x[x_upper == ""] <- NA
x[x_upper == "ERROR"] <- NA
x[x_upper == "UNKNOWN"] <- NA
# Convertir a numérico
datos_clean[[paste0(v, "_num")]] <- as.numeric(x)
}
# Verificación de variables numéricas
summary(datos_clean$Quantity_num)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.000 2.000 3.000 3.029 4.000 5.000 479summary(datos_clean$Price.Per.Unit_num)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.00 2.00 3.00 2.95 4.00 5.00 533summary(datos_clean$Total.Spent_num)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.000 4.000 8.000 8.924 12.000 25.000 502sum(is.na(datos_clean$Quantity_num))## [1] 479sum(is.na(datos_clean$Price.Per.Unit_num))## [1] 533sum(is.na(datos_clean$Total.Spent_num))## [1] 5022.3.1 Importancia de este bloque
Este bloque es clave dentro de la fase de transformación. Cada línea cumple una función específica:
vars_num <- c(...): define las variables que deben convertirse a formato numérico.for (v in vars_num): evita repetir tres veces el mismo procedimiento.as.character(...): garantiza que la variable pueda limpiarse como texto.trimws(x): elimina espacios al inicio y al final.gsub(",", "", ...): elimina comas que podrían impedir la conversión.toupper(x): permite identificar valores inválidos sin importar si vienen en mayúsculas o minúsculas.x[x_upper == "ERROR"] <- NA: transforma errores textuales en valores faltantes reales.as.numeric(x): convierte la columna limpia en numérica.paste0(v, "_num"): crea columnas auxiliares para no alterar todavía las variables originales.
Este enfoque es importante porque todavía estamos en una fase de diagnóstico y transformación, por lo que conviene mantener columnas auxiliares antes de construir la base final.
2.4 4. Limpieza de fecha
La variable Transaction.Date también requiere revisión.
Se limpia como texto, se convierten valores inválidos a NA
y luego se transforma a formato fecha.
# -------------------------------------------------
# 4. Limpieza de fecha
# -------------------------------------------------
d <- as.character(datos_clean$Transaction.Date)
d <- trimws(d)
d_upper <- toupper(d)
d[d_upper == ""] <- NA
d[d_upper == "UNKNOWN"] <- NA
d[d_upper == "ERROR"] <- NA
datos_clean$Transaction.Date <- d
datos_clean$Date <- as.Date(d)
# Verificación de fecha
summary(datos_clean$Date)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## "2023-01-01" "2023-04-01" "2023-07-02" "2023-07-01" "2023-10-02" "2023-12-31"
## NA's
## "460"sum(is.na(datos_clean$Date))## [1] 4602.4.1 Importancia de este bloque
Las fechas son fundamentales en análisis de ventas, tendencias y series temporales. Por tanto:
as.character(...)evita problemas si la variable entró con otro formato.trimws(...)elimina espacios sobrantes.- la conversión de
"","UNKNOWN"y"ERROR"aNAevita errores de interpretación. as.Date(d)transforma la variable a un formato que R puede usar para análisis temporal.
La nueva columna Date es una variable auxiliar validada
que luego se conservará en la base final.
2.5 5. Verificación de consistencia aritmética
En una base de ventas, una verificación crítica consiste en comprobar si el gasto total coincide con la multiplicación entre cantidad y precio unitario.
# -------------------------------------------------
# 5. Verificación de consistencia aritmética
# -------------------------------------------------
datos_clean$Total_teorico <- datos_clean$Quantity_num * datos_clean$Price.Per.Unit_num
datos_clean$Dif_Total <- datos_clean$Total.Spent_num - datos_clean$Total_teorico
summary(datos_clean$Dif_Total)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0 0 0 0 0 0 1456# Filas con inconsistencias
errores_total <- datos_clean[
abs(datos_clean$Dif_Total) > 0.01 & !is.na(datos_clean$Dif_Total),
]
nrow(errores_total)## [1] 0errores_total[, c("Transaction.ID",
"Quantity_num",
"Price.Per.Unit_num",
"Total.Spent_num",
"Total_teorico",
"Dif_Total")]## [1] Transaction.ID Quantity_num Price.Per.Unit_num Total.Spent_num
## [5] Total_teorico Dif_Total
## <0 rows> (or 0-length row.names)# Corregir Total.Spent cuando haya inconsistencia
datos_clean$Total.Spent_corregido <- ifelse(
abs(datos_clean$Dif_Total) > 0.01,
datos_clean$Total_teorico,
datos_clean$Total.Spent_num
)2.5.1 Importancia de este bloque
Este paso es central en la fase de verificación, porque evalúa la consistencia interna del dataset:
Total_teorico: calcula cuánto debería ser el total gastado.Dif_Total: mide la diferencia entre el total registrado y el total esperado.abs(datos_clean$Dif_Total) > 0.01: identifica discrepancias significativas.errores_total: almacena las filas con inconsistencias para revisión.ifelse(...): crea una versión corregida del total cuando se detecta error.
Aquí se evidencia claramente la segunda fase: verificación y validación.
2.6 6. Limpieza y estandarización de variables categóricas
Las variables categóricas clave son Item,
Payment.Method y Location. Se convierten a
minúsculas, se quitan espacios sobrantes y se reemplazan valores
inválidos por NA.
# -------------------------------------------------
# 6. Limpieza y estandarización de variables categóricas
# -------------------------------------------------
cols_cat <- c("Item", "Payment.Method", "Location")
for (col in cols_cat) {
x <- as.character(datos_clean[[col]])
x <- tolower(x)
x <- trimws(x)
# Reducir dobles espacios
x <- gsub(" ", " ", x, fixed = TRUE)
# Reemplazar inválidos por NA
x[x == ""] <- NA
x[x == "unknown"] <- NA
x[x == "error"] <- NA
datos_clean[[col]] <- x
}
# Verificación de categóricas
table(datos_clean$Item, useNA = "ifany")##
## cake coffee cookie juice salad sandwich smoothie tea
## 1139 1165 1092 1171 1148 1131 1096 1089
## <NA>
## 969table(datos_clean$Payment.Method, useNA = "ifany")##
## cash credit card digital wallet <NA>
## 2258 2273 2291 3178table(datos_clean$Location, useNA = "ifany")##
## in-store takeaway <NA>
## 3017 3022 3961unique(datos_clean$Item)## [1] "coffee" "cake" "cookie" "salad" "smoothie" NA "sandwich"
## [8] "juice" "tea"unique(datos_clean$Payment.Method)## [1] "credit card" "cash" NA "digital wallet"unique(datos_clean$Location)## [1] "takeaway" "in-store" NA2.6.1 Importancia de este bloque
Las variables categóricas suelen contener errores de registro. Este bloque busca estandarizarlas:
tolower(...): evita que"Coffee"y"coffee"se traten como categorías diferentes.trimws(...): elimina espacios invisibles que afectan tablas y conteos.gsub(" ", " ", ...): reduce espacios dobles internos.- la sustitución por
NAconvierte valores inválidos en ausencias reales. table(..., useNA = "ifany"): permite revisar si todavía quedan faltantes.unique(...): ayuda a inspeccionar categorías finales.
Con esto se completa la fase de transformación.
3 Fase 2. Verificación y validación
3.1 7. Revisión final de calidad
En este punto se realiza una revisión general para comprobar que la limpieza aplicada sea coherente.
# -------------------------------------------------
# 7. Revisión final de calidad
# -------------------------------------------------
# NA por variable
colSums(is.na(datos_clean))## Transaction.ID Item Quantity
## 0 969 0
## Price.Per.Unit Total.Spent Payment.Method
## 0 0 3178
## Location Transaction.Date Quantity_num
## 3961 460 479
## Price.Per.Unit_num Total.Spent_num Date
## 533 502 460
## Total_teorico Dif_Total Total.Spent_corregido
## 994 1456 1456# Porcentaje de NA
round(colMeans(is.na(datos_clean)) * 100, 2)## Transaction.ID Item Quantity
## 0.00 9.69 0.00
## Price.Per.Unit Total.Spent Payment.Method
## 0.00 0.00 31.78
## Location Transaction.Date Quantity_num
## 39.61 4.60 4.79
## Price.Per.Unit_num Total.Spent_num Date
## 5.33 5.02 4.60
## Total_teorico Dif_Total Total.Spent_corregido
## 9.94 14.56 14.56# Revisar inválidos en columnas de texto
cols_text <- sapply(datos_clean, is.character)
sum(datos_clean[, cols_text] == "error", na.rm = TRUE)## [1] 0sum(datos_clean[, cols_text] == "unknown", na.rm = TRUE)## [1] 0# Revisar numéricas
summary(datos_clean$Quantity_num)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.000 2.000 3.000 3.029 4.000 5.000 479summary(datos_clean$Price.Per.Unit_num)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.00 2.00 3.00 2.95 4.00 5.00 533summary(datos_clean$Total.Spent_num)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.000 4.000 8.000 8.924 12.000 25.000 502summary(datos_clean$Total.Spent_corregido)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.000 4.000 8.000 8.929 12.000 25.000 1456# Revisar fecha
summary(datos_clean$Date)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## "2023-01-01" "2023-04-01" "2023-07-02" "2023-07-01" "2023-10-02" "2023-12-31"
## NA's
## "460"# Revisar duplicados
sum(duplicated(datos_clean))## [1] 0sum(duplicated(datos_clean$Transaction.ID))## [1] 03.1.1 Importancia de este bloque
Este bloque resume la fase de validación:
colSums(is.na(...)): cuantifica faltantes.colMeans(is.na(...)): muestra el porcentaje de faltantes.sapply(..., is.character): selecciona solo columnas de texto para buscar inválidos.summary(...): revisa rangos y distribuciones básicas.duplicated(...): detecta filas duplicadas e identificadores repetidos.
Si este bloque arroja resultados coherentes, entonces la base ya está lista para consolidarse.
4 Fase 3. Construcción de la base final
4.1 8. Construcción de la base final limpia
En esta fase se seleccionan solo las variables limpias y relevantes para análisis.
# -------------------------------------------------
# 8. Construcción de la base final limpia
# -------------------------------------------------
datos_final <- datos_clean[, c(
"Transaction.ID",
"Item",
"Quantity_num",
"Price.Per.Unit_num",
"Total.Spent_corregido",
"Payment.Method",
"Location",
"Date"
)]
# Renombrar variables
names(datos_final) <- c(
"Transaction_ID",
"Item",
"Quantity",
"Price_Per_Unit",
"Total_Spent",
"Payment_Method",
"Location",
"Date"
)
# Verificación inicial de datos_final
str(datos_final)## 'data.frame': 10000 obs. of 8 variables:
## $ Transaction_ID: chr "TXN_1961373" "TXN_4977031" "TXN_4271903" "TXN_7034554" ...
## $ Item : chr "coffee" "cake" "cookie" "salad" ...
## $ Quantity : num 2 4 4 2 2 5 3 4 5 5 ...
## $ Price_Per_Unit: num 2 3 1 5 2 4 3 4 3 4 ...
## $ Total_Spent : num 4 12 NA 10 4 20 9 16 15 20 ...
## $ Payment_Method: chr "credit card" "cash" "credit card" NA ...
## $ Location : chr "takeaway" "in-store" "in-store" NA ...
## $ Date : Date, format: "2023-09-08" "2023-05-16" ...summary(datos_final)## Transaction_ID Item Quantity Price_Per_Unit
## Length:10000 Length:10000 Min. :1.000 Min. :1.00
## Class :character Class :character 1st Qu.:2.000 1st Qu.:2.00
## Mode :character Mode :character Median :3.000 Median :3.00
## Mean :3.029 Mean :2.95
## 3rd Qu.:4.000 3rd Qu.:4.00
## Max. :5.000 Max. :5.00
## NA's :479 NA's :533
## Total_Spent Payment_Method Location Date
## Min. : 1.000 Length:10000 Length:10000 Min. :2023-01-01
## 1st Qu.: 4.000 Class :character Class :character 1st Qu.:2023-04-01
## Median : 8.000 Mode :character Mode :character Median :2023-07-02
## Mean : 8.929 Mean :2023-07-01
## 3rd Qu.:12.000 3rd Qu.:2023-10-02
## Max. :25.000 Max. :2023-12-31
## NA's :1456 NA's :460colSums(is.na(datos_final))## Transaction_ID Item Quantity Price_Per_Unit Total_Spent
## 0 969 479 533 1456
## Payment_Method Location Date
## 3178 3961 460head(datos_final)## Transaction_ID Item Quantity Price_Per_Unit Total_Spent Payment_Method
## 1 TXN_1961373 coffee 2 2 4 credit card
## 2 TXN_4977031 cake 4 3 12 cash
## 3 TXN_4271903 cookie 4 1 NA credit card
## 4 TXN_7034554 salad 2 5 10 <NA>
## 5 TXN_3160411 coffee 2 2 4 digital wallet
## 6 TXN_2602893 smoothie 5 4 20 credit card
## Location Date
## 1 takeaway 2023-09-08
## 2 in-store 2023-05-16
## 3 in-store 2023-07-19
## 4 <NA> 2023-04-27
## 5 in-store 2023-06-11
## 6 <NA> 2023-03-314.1.1 Importancia de este bloque
Aquí se materializa la tercera fase del proceso: construcción de la base final.
- Se eliminan columnas auxiliares que ya no son necesarias.
- Se seleccionan únicamente variables limpias.
- Se renombran las variables para que sean más claras y consistentes.
Esta fase permite pasar de un dataset transformado
(datos_clean) a un dataset analítico
(datos_final).
4.2 9. Imputación de variables numéricas con la mediana
Se reemplazan los valores faltantes en Quantity y
Price_Per_Unit usando la mediana. Luego se recalcula
Total_Spent.
# -------------------------------------------------
# 9. Imputación de variables numéricas con la mediana
# -------------------------------------------------
mediana_quantity <- median(datos_final$Quantity, na.rm = TRUE)
datos_final$Quantity[is.na(datos_final$Quantity)] <- mediana_quantity
mediana_price <- median(datos_final$Price_Per_Unit, na.rm = TRUE)
datos_final$Price_Per_Unit[is.na(datos_final$Price_Per_Unit)] <- mediana_price
# Recalcular Total_Spent a partir de Quantity y Price_Per_Unit
datos_final$Total_Spent <- datos_final$Quantity * datos_final$Price_Per_Unit4.2.1 Importancia de este bloque
La imputación con la mediana es apropiada en variables numéricas cuando se desea conservar registros y reducir el efecto de valores extremos. Este paso:
- evita perder observaciones,
- mantiene la estructura de la base,
- y garantiza que
Total_Spentse mantenga consistente tras la imputación.
4.3 10. Imputación de variables categóricas
En variables categóricas, una estrategia común consiste en reemplazar
NA por la categoría "unknown".
# -------------------------------------------------
# 10. Imputación de variables categóricas
# -------------------------------------------------
datos_final$Payment_Method[is.na(datos_final$Payment_Method)] <- "unknown"
datos_final$Location[is.na(datos_final$Location)] <- "unknown"
datos_final$Item[is.na(datos_final$Item)] <- "unknown"4.3.1 Importancia de este bloque
Esta estrategia permite:
- conservar la observación,
- no inventar categorías inexistentes,
- y marcar explícitamente que el valor era desconocido.
4.4 11. Eliminar filas con fecha faltante
En este caso, se opta por eliminar filas donde no se dispone de la fecha, ya que una fecha ausente afecta análisis temporal, agregaciones por día, mes o tendencias.
# -------------------------------------------------
# 11. Eliminar filas con fecha faltante
# -------------------------------------------------
datos_final <- datos_final[!is.na(datos_final$Date), ]4.4.1 Importancia de este bloque
La fecha es una variable estructural importante para el análisis de ventas. En lugar de imputar fechas artificialmente, se opta por eliminar esos registros para preservar la validez del análisis temporal.
4.5 12. Revisión final de la base lista para análisis
Finalmente se revisa la base resultante.
# -------------------------------------------------
# 12. Revisión final de la base lista para análisis
# -------------------------------------------------
colSums(is.na(datos_final))## Transaction_ID Item Quantity Price_Per_Unit Total_Spent
## 0 0 0 0 0
## Payment_Method Location Date
## 0 0 0summary(datos_final)## Transaction_ID Item Quantity Price_Per_Unit
## Length:9540 Length:9540 Min. :1.000 Min. :1.000
## Class :character Class :character 1st Qu.:2.000 1st Qu.:2.000
## Mode :character Mode :character Median :3.000 Median :3.000
## Mean :3.024 Mean :2.953
## 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :5.000 Max. :5.000
## Total_Spent Payment_Method Location Date
## Min. : 1.000 Length:9540 Length:9540 Min. :2023-01-01
## 1st Qu.: 4.000 Class :character Class :character 1st Qu.:2023-04-01
## Median : 8.000 Mode :character Mode :character Median :2023-07-02
## Mean : 8.936 Mean :2023-07-01
## 3rd Qu.:12.000 3rd Qu.:2023-10-02
## Max. :25.000 Max. :2023-12-31str(datos_final)## 'data.frame': 9540 obs. of 8 variables:
## $ Transaction_ID: chr "TXN_1961373" "TXN_4977031" "TXN_4271903" "TXN_7034554" ...
## $ Item : chr "coffee" "cake" "cookie" "salad" ...
## $ Quantity : num 2 4 4 2 2 5 3 4 5 5 ...
## $ Price_Per_Unit: num 2 3 1 5 2 4 3 4 3 4 ...
## $ Total_Spent : num 4 12 4 10 4 20 9 16 15 20 ...
## $ Payment_Method: chr "credit card" "cash" "credit card" "unknown" ...
## $ Location : chr "takeaway" "in-store" "in-store" "unknown" ...
## $ Date : Date, format: "2023-09-08" "2023-05-16" ...head(datos_final)## Transaction_ID Item Quantity Price_Per_Unit Total_Spent Payment_Method
## 1 TXN_1961373 coffee 2 2 4 credit card
## 2 TXN_4977031 cake 4 3 12 cash
## 3 TXN_4271903 cookie 4 1 4 credit card
## 4 TXN_7034554 salad 2 5 10 unknown
## 5 TXN_3160411 coffee 2 2 4 digital wallet
## 6 TXN_2602893 smoothie 5 4 20 credit card
## Location Date
## 1 takeaway 2023-09-08
## 2 in-store 2023-05-16
## 3 in-store 2023-07-19
## 4 unknown 2023-04-27
## 5 in-store 2023-06-11
## 6 unknown 2023-03-315 Análisis Exploratorio de Datos (EDA) en RStudio con datos_final
Una vez que la base de datos ha sido limpiada y estructurada en el
objeto datos_final, el siguiente paso natural es
desarrollar un Análisis Exploratorio de Datos (EDA). Este proceso
permite comprender la estructura del dataset, detectar patrones,
identificar comportamientos relevantes, revisar distribuciones, observar
relaciones entre variables y generar una base sólida para futuros
modelos o análisis avanzados.
En este documento se desarrolla un EDA completo sobre
datos_final, que corresponde a la versión final del
conjunto de datos de ventas de cafetería. El análisis se organiza en
varios bloques:
- Verificación inicial del dataset limpio.
- Estadística descriptiva de variables numéricas.
- Distribución de variables numéricas.
- Identificación de valores atípicos.
- Análisis de variables categóricas.
- Relación entre variables numéricas.
- Relación entre variables categóricas y numéricas.
- Análisis temporal de ventas.
- Análisis de ventas por producto, método de pago y ubicación.
6 1. Verificación inicial del dataset limpio
Antes de analizar, es indispensable confirmar que el objeto
datos_final está correctamente estructurado.
dim(datos_final)## [1] 9540 8str(datos_final)## 'data.frame': 9540 obs. of 8 variables:
## $ Transaction_ID: chr "TXN_1961373" "TXN_4977031" "TXN_4271903" "TXN_7034554" ...
## $ Item : chr "coffee" "cake" "cookie" "salad" ...
## $ Quantity : num 2 4 4 2 2 5 3 4 5 5 ...
## $ Price_Per_Unit: num 2 3 1 5 2 4 3 4 3 4 ...
## $ Total_Spent : num 4 12 4 10 4 20 9 16 15 20 ...
## $ Payment_Method: chr "credit card" "cash" "credit card" "unknown" ...
## $ Location : chr "takeaway" "in-store" "in-store" "unknown" ...
## $ Date : Date, format: "2023-09-08" "2023-05-16" ...summary(datos_final)## Transaction_ID Item Quantity Price_Per_Unit
## Length:9540 Length:9540 Min. :1.000 Min. :1.000
## Class :character Class :character 1st Qu.:2.000 1st Qu.:2.000
## Mode :character Mode :character Median :3.000 Median :3.000
## Mean :3.024 Mean :2.953
## 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :5.000 Max. :5.000
## Total_Spent Payment_Method Location Date
## Min. : 1.000 Length:9540 Length:9540 Min. :2023-01-01
## 1st Qu.: 4.000 Class :character Class :character 1st Qu.:2023-04-01
## Median : 8.000 Mode :character Mode :character Median :2023-07-02
## Mean : 8.936 Mean :2023-07-01
## 3rd Qu.:12.000 3rd Qu.:2023-10-02
## Max. :25.000 Max. :2023-12-31head(datos_final)## Transaction_ID Item Quantity Price_Per_Unit Total_Spent Payment_Method
## 1 TXN_1961373 coffee 2 2 4 credit card
## 2 TXN_4977031 cake 4 3 12 cash
## 3 TXN_4271903 cookie 4 1 4 credit card
## 4 TXN_7034554 salad 2 5 10 unknown
## 5 TXN_3160411 coffee 2 2 4 digital wallet
## 6 TXN_2602893 smoothie 5 4 20 credit card
## Location Date
## 1 takeaway 2023-09-08
## 2 in-store 2023-05-16
## 3 in-store 2023-07-19
## 4 unknown 2023-04-27
## 5 in-store 2023-06-11
## 6 unknown 2023-03-31colSums(is.na(datos_final))## Transaction_ID Item Quantity Price_Per_Unit Total_Spent
## 0 0 0 0 0
## Payment_Method Location Date
## 0 0 06.1 Importancia de este bloque
Este bloque permite confirmar el número de observaciones, revisar tipos de datos, comprobar si quedan valores faltantes e inspeccionar rápidamente los primeros registros.
7 2. Estadística descriptiva de variables numéricas
Las principales variables numéricas en esta base son
Quantity, Price_Per_Unit y
Total_Spent.
# Quantity
summary(datos_final$Quantity)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.000 3.000 3.024 4.000 5.000mean(datos_final$Quantity)## [1] 3.024109median(datos_final$Quantity)## [1] 3sd(datos_final$Quantity)## [1] 1.384186# Price_Per_Unit
summary(datos_final$Price_Per_Unit)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.000 3.000 2.953 4.000 5.000mean(datos_final$Price_Per_Unit)## [1] 2.952673median(datos_final$Price_Per_Unit)## [1] 3sd(datos_final$Price_Per_Unit)## [1] 1.243449# Total_Spent
summary(datos_final$Total_Spent)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 4.000 8.000 8.936 12.000 25.000mean(datos_final$Total_Spent)## [1] 8.935692median(datos_final$Total_Spent)## [1] 8sd(datos_final$Total_Spent)## [1] 5.8276777.1 Importancia de este bloque
Este análisis permite conocer tendencia central, dispersión, posibles valores extremos y el rango general del comportamiento de las ventas.
8 3. Distribución de variables numéricas
Para comprender la forma de distribución de los datos se utilizan histogramas.
library(ggplot2)8.1 Distribución de Quantity
ggplot(datos_final, aes(x = Quantity)) +
geom_histogram(bins = 30) +
labs(
title = "Distribución de la Cantidad de Productos Vendidos",
x = "Cantidad",
y = "Frecuencia"
) +
theme_minimal()
8.2 Distribución de Price_Per_Unit
ggplot(datos_final, aes(x = Price_Per_Unit)) +
geom_histogram(bins = 30) +
labs(
title = "Distribución del Precio por Unidad",
x = "Precio por unidad",
y = "Frecuencia"
) +
theme_minimal()
8.3 Distribución de Total_Spent
ggplot(datos_final, aes(x = Total_Spent)) +
geom_histogram(bins = 30) +
labs(
title = "Distribución del Gasto Total",
x = "Total gastado",
y = "Frecuencia"
) +
theme_minimal()
8.4 Importancia de este bloque
Los histogramas ayudan a detectar concentración de observaciones, sesgos, asimetrías y comportamientos generales de las ventas.
9 4. Identificación de valores atípicos
Los diagramas de caja permiten detectar posibles valores extremos y revisar la dispersión.
9.1 Boxplot de Quantity
ggplot(datos_final, aes(y = Quantity)) +
geom_boxplot() +
labs(
title = "Boxplot de Quantity",
y = "Cantidad"
) +
theme_minimal()
9.2 Boxplot de Price_Per_Unit
ggplot(datos_final, aes(y = Price_Per_Unit)) +
geom_boxplot() +
labs(
title = "Boxplot de Price_Per_Unit",
y = "Precio por unidad"
) +
theme_minimal()
9.3 Boxplot de Total_Spent
ggplot(datos_final, aes(y = Total_Spent)) +
geom_boxplot() +
labs(
title = "Boxplot de Total_Spent",
y = "Total gastado"
) +
theme_minimal()
9.4 Importancia de este bloque
Los boxplots ayudan a identificar valores atípicos, dispersión general y posibles observaciones extremas.
10 5. Análisis de variables categóricas
Las variables categóricas permiten analizar frecuencias y patrones de compra.
10.1 Frecuencia de productos vendidos
table(datos_final$Item)##
## cake coffee cookie juice salad sandwich smoothie tea
## 1082 1123 1035 1124 1099 1075 1048 1027
## unknown
## 927ggplot(datos_final, aes(x = Item)) +
geom_bar() +
labs(
title = "Frecuencia de Productos Vendidos",
x = "Producto",
y = "Número de ventas"
) +
theme_minimal()
10.2 Distribución de métodos de pago
table(datos_final$Payment_Method)##
## cash credit card digital wallet unknown
## 2158 2170 2197 3015ggplot(datos_final, aes(x = Payment_Method)) +
geom_bar() +
labs(
title = "Distribución de Métodos de Pago",
x = "Método de pago",
y = "Número de transacciones"
) +
theme_minimal()
10.3 Distribución por ubicación
table(datos_final$Location)##
## in-store takeaway unknown
## 2872 2889 3779ggplot(datos_final, aes(x = Location)) +
geom_bar() +
labs(
title = "Distribución de Ventas por Ubicación",
x = "Ubicación",
y = "Número de ventas"
) +
theme_minimal()
10.4 Importancia de este bloque
Este análisis permite identificar productos más frecuentes, métodos de pago más utilizados y ubicaciones con mayor actividad comercial.
11 6. Relación entre variables numéricas
Las relaciones entre variables cuantitativas permiten explorar dependencias y patrones de comportamiento.
11.1 Quantity vs Total_Spent
ggplot(datos_final, aes(x = Quantity, y = Total_Spent)) +
geom_point(alpha = 0.5) +
labs(
title = "Relación entre Cantidad y Gasto Total",
x = "Cantidad",
y = "Total gastado"
) +
theme_minimal()
11.2 Price_Per_Unit vs Total_Spent
ggplot(datos_final, aes(x = Price_Per_Unit, y = Total_Spent)) +
geom_point(alpha = 0.5) +
labs(
title = "Relación entre Precio por Unidad y Gasto Total",
x = "Precio por unidad",
y = "Total gastado"
) +
theme_minimal()
11.3 Importancia de este bloque
Los gráficos de dispersión permiten observar relaciones positivas o negativas, patrones lineales y posibles estructuras internas.
12 7. Relación entre variables categóricas y numéricas
Aquí se analiza cómo varía el gasto total en función de categorías.
12.1 Gasto total por producto
ggplot(datos_final, aes(x = Item, y = Total_Spent)) +
geom_boxplot() +
labs(
title = "Distribución del Gasto Total por Producto",
x = "Producto",
y = "Total gastado"
) +
theme_minimal()
12.2 Gasto total por método de pago
ggplot(datos_final, aes(x = Payment_Method, y = Total_Spent)) +
geom_boxplot() +
labs(
title = "Distribución del Gasto por Método de Pago",
x = "Método de pago",
y = "Total gastado"
) +
theme_minimal()
12.3 Gasto total por ubicación
ggplot(datos_final, aes(x = Location, y = Total_Spent)) +
geom_boxplot() +
labs(
title = "Distribución del Gasto por Ubicación",
x = "Ubicación",
y = "Total gastado"
) +
theme_minimal()
12.4 Importancia de este bloque
Este análisis permite evaluar si ciertos productos, métodos de pago o ubicaciones concentran mayores niveles de gasto.
13 8. Análisis temporal de ventas
La dimensión temporal es fundamental en un dataset de ventas. Para ello se agregan los datos por fecha.
ventas_por_dia <- aggregate(
Total_Spent ~ Date,
data = datos_final,
sum
)
head(ventas_por_dia)## Date Total_Spent
## 1 2023-01-01 180.0
## 2 2023-01-02 180.5
## 3 2023-01-03 206.0
## 4 2023-01-04 262.5
## 5 2023-01-05 337.5
## 6 2023-01-06 258.013.1 Serie temporal de ventas
ggplot(ventas_por_dia, aes(x = Date, y = Total_Spent)) +
geom_line() +
labs(
title = "Ventas Totales por Día",
x = "Fecha",
y = "Total de ventas"
) +
theme_minimal()
13.2 Importancia de este bloque
Permite observar la evolución de las ventas en el tiempo, detectar picos o caídas y estudiar la estabilidad del comportamiento diario.
14 9. Top productos por ventas
Además de la frecuencia de transacciones, resulta útil analizar qué productos generan más ingresos.
ventas_producto <- aggregate(
Total_Spent ~ Item,
data = datos_final,
sum
)
ventas_producto## Item Total_Spent
## 1 cake 9834.0
## 2 coffee 6999.0
## 3 cookie 3447.0
## 4 juice 10053.0
## 5 salad 16198.0
## 6 sandwich 12892.0
## 7 smoothie 12643.0
## 8 tea 4984.5
## 9 unknown 8196.014.1 Gráfico de ventas totales por producto
ggplot(ventas_producto, aes(x = reorder(Item, Total_Spent), y = Total_Spent)) +
geom_bar(stat = "identity") +
coord_flip() +
labs(
title = "Ventas Totales por Producto",
x = "Producto",
y = "Total vendido"
) +
theme_minimal()
14.2 Importancia de este bloque
Permite distinguir entre productos más frecuentes y productos que generan mayor valor económico.
15 10. Indicadores básicos de negocio
15.1 Ticket promedio
mean(datos_final$Total_Spent)## [1] 8.93569215.2 Ventas totales
sum(datos_final$Total_Spent)## [1] 85246.515.3 Número de transacciones por producto
aggregate(Transaction_ID ~ Item, data = datos_final, length)## Item Transaction_ID
## 1 cake 1082
## 2 coffee 1123
## 3 cookie 1035
## 4 juice 1124
## 5 salad 1099
## 6 sandwich 1075
## 7 smoothie 1048
## 8 tea 1027
## 9 unknown 92715.4 Ventas por método de pago
aggregate(Total_Spent ~ Payment_Method, data = datos_final, sum)## Payment_Method Total_Spent
## 1 cash 19621.0
## 2 credit card 19476.5
## 3 digital wallet 19703.0
## 4 unknown 26446.015.5 Ventas por ubicación
aggregate(Total_Spent ~ Location, data = datos_final, sum)## Location Total_Spent
## 1 in-store 25906.5
## 2 takeaway 25521.5
## 3 unknown 33818.5