Código
# Cargar las librerías necesarias
library(dplyr)
library(tidyr)
library(stringr)semana06_AshleyMedina
1 Dataset de práctica:
Código
# Definición del dataset original
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")
)
# Mostrar tabla cruda
ventas_crudas# A tibble: 11 × 6
id_venta vendedor region monto mes completada
<dbl> <chr> <chr> <dbl> <dbl> <chr>
1 1 "ana" norte 15000 1 SI
2 2 "PEDRO" SUR 22000 1 SI
3 3 "María " Norte 18500 1 NO
4 4 <NA> sur NA 2 SI
5 5 "carmen" NORTE 31000 2 <NA>
6 6 "ana" norte 16000 2 SI
7 7 "PEDRO" sur 19500 3 NO
8 8 "luis" Norte 9500000 3 SI
9 9 "carmen" sur 21000 3 SI
10 10 "luis" norte 17500 3 NO
11 3 "María " Norte 18500 1 NO 2 Parte 1 — Diagnóstico inicial:
Código
# Estructura de los datos y tipos de columnas
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", "…Código
# Resumen estadístico general
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
Código
# Conteo exacto de valores nulos (NAs) por columna
colSums(is.na(ventas_crudas)) id_venta vendedor region monto mes completada
0 1 0 1 0 1 Código
# Conteo de filas completamente duplicadas o duplicadas por id_venta
sum(duplicated(ventas_crudas$id_venta))[1] 12.1 Diagnóstico inicial:
Duplicados: hay 1 fila duplicada (El
id_venta = 3de “María” aparece dos veces idéntico al final).Valores NAs por columna:
vendedor: 1 NAmonto: 1 NAcompletada: 1 NA
Sí hay un outlier crítico en la columna
monto. La venta del ID 8 asignada a “luis” tiene un monto de 9,500,000, un valor desproporcionado comparado con el resto que ronda los 15,000 - 31,000.
3 Parte 2 — Limpieza:
Código
# Proceso de Limpieza en cadena de bloques utilizando dplyr y tidyr
ventas_limpias <- ventas_crudas %>%
# 1. Eliminar filas duplicadas basadas en id_venta
distinct(id_venta, .keep_all = TRUE) %>%
# 2. Limpiar vendedor y region (quitar espacios en blanco y dejar formato Title/Lower case)
mutate(
vendedor = str_to_title(str_trim(vendedor)),
region = str_to_lower(str_trim(region))
) %>%
# 3. Imputar el NA de vendedor con "Desconocido"
mutate(vendedor = replace_na(vendedor, "Desconocido")) %>%
# 4. Imputar el NA de monto con la mediana del mes correspondiente
group_by(mes) %>%
mutate(monto = replace_na(monto, median(monto, na.rm = TRUE))) %>%
ungroup() %>% # Desagrupar para evitar afectar las operaciones siguientes
# 5. Convertir 'completada' a factor aplicando "NO" a los NAs
mutate(
completada = replace_na(completada, "NO"),
completada = as.factor(completada)
) %>%
# 6. Marcar el outlier en monto con una columna booleana usando el criterio IQR
mutate(
q1 = quantile(monto, 0.25),
q3 = quantile(monto, 0.75),
iqr_val = q3 - q1,
es_outlier = monto > (q3 + 1.5 * iqr_val) | monto < (q1 - 1.5 * iqr_val)
) %>%
# Remover variables estadísticas auxiliares
select(-q1, -q3, -iqr_val)
# Mostrar el resultado del dataset limpio
ventas_limpias# A tibble: 10 × 7
id_venta vendedor region monto mes completada es_outlier
<dbl> <chr> <chr> <dbl> <dbl> <fct> <lgl>
1 1 Ana norte 15000 1 SI FALSE
2 2 Pedro sur 22000 1 SI FALSE
3 3 María norte 18500 1 NO FALSE
4 4 Desconocido sur 23500 2 SI FALSE
5 5 Carmen norte 31000 2 NO FALSE
6 6 Ana norte 16000 2 SI FALSE
7 7 Pedro sur 19500 3 NO FALSE
8 8 Luis norte 9500000 3 SI TRUE
9 9 Carmen sur 21000 3 SI FALSE
10 10 Luis norte 17500 3 NO FALSE 4 Parte 3 — Transformación con dplyr:
Código
ventas_transformadas <- ventas_limpias %>%
# 1. Calcular comisión: 5% si completada == "SI", 0 si no
mutate(comision = if_else(completada == "SI", monto * 0.05, 0)) %>%
# 2. Clasificar la categoría de la venta con case_when()
mutate(categoria_venta = case_when(
monto < 15000 ~ "Baja",
monto >= 15000 & monto <= 25000 ~ "Media",
monto > 25000 ~ "Alta"
)) %>%
# 3. Calcular el ranking del vendedor por monto dentro de cada región
group_by(region) %>%
mutate(ranking_vendedor = rank(desc(monto), ties.method = "first")) %>%
ungroup()
# Mostrar el resultado de las transformaciones
ventas_transformadas# 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_vendedor <int>5 Parte 4 — Resumen analítico:
Código
resumen_vendedores <- ventas_transformadas %>%
group_by(vendedor) %>%
summarise(
total_ventas_completadas = sum(completada == "SI"),
monto_total_vendido = sum(monto),
monto_promedio_por_venta = mean(monto),
comision_total_ganada = sum(comision),
.groups = "drop"
) %>%
# Ordenar de mayor a menor monto total vendido
arrange(desc(monto_total_vendido))
# Visualizar la tabla de desempeño final
resumen_vendedores# A tibble: 6 × 5
vendedor total_ventas_completa…¹ monto_total_vendido monto_promedio_por_v…²
<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 abbreviated names: ¹total_ventas_completadas, ²monto_promedio_por_venta
# ℹ 1 more variable: comision_total_ganada <dbl>