Limpieza de Datos y Análisis con dplyr

library(tidyverse)

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.2.1     ✔ readr     2.2.0
✔ forcats   1.0.1     ✔ stringr   1.6.0
✔ ggplot2   4.0.3     ✔ tibble    3.3.1
✔ lubridate 1.9.5     ✔ tidyr     1.3.2
✔ purrr     1.2.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

# Dataset de práctica provisto
ventas_crudas <- tibble(
  id_venta    = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 3),
  vendedor    = c("ana", "PEDRO", "María ", NA, "carmen", "ana", "PEDRO", "luis", "carmen", "luis", "María "),
  region      = c("norte", "SUR", "Norte", "sur", "NORTE", "norte", "sur", "Norte", "sur", "norte", "Norte"),
  monto       = c(15000, 22000, 18500, NA, 31000, 16000, 19500, 9500000, 21000, 17500, 18500),
  mes         = c(1, 1, 1, 2, 2, 2, 3, 3, 3, 3, 1),
  completada  = c("SI", "SI", "NO", "SI", NA, "SI", "NO", "SI", "SI", "NO", "NO")
)

Diagnóstico Inicial

glimpse(ventas_crudas)

Rows: 11
Columns: 6
$ id_venta   <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 3
$ vendedor   <chr> "ana", "PEDRO", "María ", NA, "carmen", "ana", "PEDRO", "lu…
$ region     <chr> "norte", "SUR", "Norte", "sur", "NORTE", "norte", "sur", "N…
$ monto      <dbl> 15000, 22000, 18500, NA, 31000, 16000, 19500, 9500000, 2100…
$ mes        <dbl> 1, 1, 1, 2, 2, 2, 3, 3, 3, 3, 1
$ completada <chr> "SI", "SI", "NO", "SI", NA, "SI", "NO", "SI", "SI", "NO", "…

summary(ventas_crudas)

    id_venta           vendedor        region       monto              mes   
 Min.   : 1.000   Length   :11   Length   :11   Min.   :  15000   Min.   :1  
 1st Qu.: 3.000   N.unique : 5   N.unique : 5   1st Qu.:  17750   1st Qu.:1  
 Median : 5.000   N.blank  : 0   N.blank  : 0   Median :  19000   Median :2  
 Mean   : 5.273   Min.nchar: 3   Min.nchar: 3   Mean   : 967900   Mean   :2  
 3rd Qu.: 7.500   Max.nchar: 6   Max.nchar: 5   3rd Qu.:  21750   3rd Qu.:3  
 Max.   :10.000   NAs      : 1                  Max.   :9500000   Max.   :3  
                                                NAs    :1                    
     completada
 Length   :11  
 N.unique : 2  
 N.blank  : 0  
 Min.nchar: 2  
 Max.nchar: 2  
 NAs      : 1  
               

colSums(is.na(ventas_crudas))

  id_venta   vendedor     region      monto        mes completada 
         0          1          0          1          0          1 

sum(duplicated(ventas_crudas))

[1] 1

Comentarios

• ¿Cuántos duplicados hay? Hay 1 fila completamente duplicada.

• ¿Cuántos NAs hay por columna? La columna vendedor tiene 1 NA, monto tiene 1 NA, y completada tiene 1 NA.

• ¿Hay outliers? En la columna monto hay un valor extremo de 9,500,000 en la fila 8.

Limpieza

ventas_limpias <- ventas_crudas %>%
  distinct(id_venta, .keep_all = TRUE) %>%
  mutate(
    vendedor = str_to_title(str_trim(vendedor)),
    region   = str_to_lower(str_trim(region))
  ) %>%
  group_by(mes) %>%
  mutate(
    monto = if_else(
      is.na(monto),
      median(monto, na.rm = TRUE),
      monto
    )
  ) %>%
  ungroup() %>%
  mutate(
    vendedor = replace_na(vendedor, "Desconocido"),
    completada = factor(replace_na(completada, "NO"), levels = c("NO", "SI"))
  )

# Marcar outliers en monto usando IQR
q1 <- quantile(ventas_limpias$monto, 0.25, na.rm = TRUE)
q3 <- quantile(ventas_limpias$monto, 0.75, na.rm = TRUE)
riq <- q3 - q1

ventas_limpias <- ventas_limpias %>%
  mutate(
    es_outlier = monto < (q1 - 1.5 * riq) | monto > (q3 + 1.5 * riq)
  )

Transformación con dplyr

ventas_limpias <- ventas_limpias %>%
  group_by(region) %>%
  mutate(
    comision = if_else(completada == "SI", monto * 0.05, 0),
    categoria_venta = case_when(
      monto < 15000 ~ "Baja",
      monto >= 15000 & monto <= 25000 ~ "Media",
      monto > 25000 ~ "Alta"
    ),
    ranking_region = rank(desc(monto), ties.method = "first")
  ) %>%
  ungroup()

ventas_limpias

# A tibble: 10 × 10
   id_venta vendedor    region   monto   mes completada es_outlier comision
      <dbl> <chr>       <chr>    <dbl> <dbl> <fct>      <lgl>         <dbl>
 1        1 Ana         norte    15000     1 SI         FALSE           750
 2        2 Pedro       sur      22000     1 SI         FALSE          1100
 3        3 María       norte    18500     1 NO         FALSE             0
 4        4 Desconocido sur      23500     2 SI         FALSE          1175
 5        5 Carmen      norte    31000     2 NO         FALSE             0
 6        6 Ana         norte    16000     2 SI         FALSE           800
 7        7 Pedro       sur      19500     3 NO         FALSE             0
 8        8 Luis        norte  9500000     3 SI         TRUE         475000
 9        9 Carmen      sur      21000     3 SI         FALSE          1050
10       10 Luis        norte    17500     3 NO         FALSE             0
# ℹ 2 more variables: categoria_venta <chr>, ranking_region <int>

Resumen Analítico

resumen_vendedor <- ventas_limpias %>%
  group_by(vendedor) %>%
  summarise(
    total_ventas_completadas = sum(completada == "SI", na.rm = TRUE),
    monto_total_vendido = sum(if_else(completada == "SI", monto, 0), na.rm = TRUE),
    monto_promedio_por_venta = mean(if_else(completada == "SI", monto, NA_real_), na.rm = TRUE),
    comision_total_ganada = sum(comision, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  arrange(desc(monto_total_vendido))

resumen_vendedor

# A tibble: 6 × 5
  vendedor    total_ventas_completa…¹ monto_total_vendido monto_promedio_por_v…²
  <chr>                         <int>               <dbl>                  <dbl>
1 Luis                              1             9500000                9500000
2 Ana                               2               31000                  15500
3 Desconocido                       1               23500                  23500
4 Pedro                             1               22000                  22000
5 Carmen                            1               21000                  21000
6 María                             0                   0                    NaN
# ℹ abbreviated names: ¹​total_ventas_completadas, ²​monto_promedio_por_venta
# ℹ 1 more variable: comision_total_ganada <dbl>