Code
library(tidyverse)
library(tidyr)Limpieza y Manipulación con dplyr
Dataset de práctica
Code
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")
)Parte 1 — Diagnóstico inicial:
Code
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", "…Code
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
Code
colSums(is.na(ventas_crudas)) id_venta vendedor region monto mes completada
0 1 0 1 0 1 Code
sum(duplicated(ventas_crudas$id_venta))[1] 1
Note
Se encontró 1 registro duplicado correspondiente al id_venta = 3. Además, existen valores faltantes (NA) en las columnas vendedor, monto y completada, con un NA en cada una de ellas, mientras que las demás columnas no presentan valores faltantes. También se observa un posible outlier en la columna monto.
Parte 2 — Limpieza:
Code
ventas_limpias <- ventas_crudas |> distinct(id_venta, .keep_all = TRUE) |>
mutate(vendedor = str_trim(str_to_title(vendedor)), region = str_to_lower(str_trim(region))) |>
mutate(vendedor = replace_na(vendedor, "Desconocido") ) |>
group_by(mes) |> mutate(monto = if_else(is.na(monto), median(monto, na.rm = TRUE),monto )) |> ungroup() |>
mutate(completada = replace_na(completada, "NO"), completada = factor(completada, levels = c("SI", "NO")) )
Q1 <- quantile(ventas_limpias$monto, 0.25)
Q3 <- quantile(ventas_limpias$monto, 0.75)
iqr <- IQR(ventas_limpias$monto)
lim_inf <- Q1 - 1.5 * iqr
lim_sup <- Q3 + 1.5 * iqr
ventas_limpias <- ventas_limpias |> mutate( es_outlier = monto < lim_inf | monto > lim_sup)
glimpse(ventas_limpias)Rows: 10
Columns: 7
$ id_venta <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
$ vendedor <chr> "Ana", "Pedro", "María", "Desconocido", "Carmen", "Ana", "P…
$ region <chr> "norte", "sur", "norte", "sur", "norte", "norte", "sur", "n…
$ monto <dbl> 15000, 22000, 18500, 23500, 31000, 16000, 19500, 9500000, 2…
$ mes <dbl> 1, 1, 1, 2, 2, 2, 3, 3, 3, 3
$ completada <fct> SI, SI, NO, SI, NO, SI, NO, SI, SI, NO
$ es_outlier <lgl> FALSE, FALSE, FALSE, FALSE, FALSE, FALSE, FALSE, TRUE, FALS…Code
ventas_limpias |> filter(es_outlier)# A tibble: 1 × 7
id_venta vendedor region monto mes completada es_outlier
<dbl> <chr> <chr> <dbl> <dbl> <fct> <lgl>
1 8 Luis norte 9500000 3 SI TRUE
Note
Se eliminaron los registros duplicados, se corrigieron los formatos de texto, se imputaron los valores faltantes y se identificó un outlier en la variable monto mediante el método IQR.
Parte 3 — Transformación con dplyr:
Code
ventas_limpias <- ventas_limpias |>
mutate( comision = if_else(completada == "SI", monto * 0.05,0), categoria_venta = case_when( monto < 15000 ~ "Baja", monto <= 25000 ~ "Media", monto > 25000 ~ "Alta")) |> group_by(region) |>
mutate( ranking_region = rank(desc(monto))) |> 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 <dbl>Parte 4 — Resumen analítico:
Code
resumen_vendedores <- ventas_limpias |>
group_by(vendedor) |>
summarise(
total_ventas_completadas = sum(completada == "SI"),
monto_total_vendido = sum(monto, na.rm = TRUE),
monto_promedio_venta = mean(monto, na.rm = TRUE),
comision_total = sum(comision, na.rm = TRUE),
.groups = "drop"
) |>
arrange(desc(monto_total_vendido))
resumen_vendedores# A tibble: 6 × 5
vendedor total_ventas_completadas monto_total_vendido monto_promedio_venta
<chr> <int> <dbl> <dbl>
1 Luis 1 9517500 4758750
2 Carmen 1 52000 26000
3 Pedro 1 41500 20750
4 Ana 2 31000 15500
5 Desconocido 1 23500 23500
6 María 0 18500 18500
# ℹ 1 more variable: comision_total <dbl>