PRE PARCIAL

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(stringr)

load("/cloud/project/data_parcial_1_2021.RData")



#Función para mostrar ventas anuales, trimestrales o mensuales
herramientas_mostrar_ventas<-function(){
  data_parcial_1_2021 %>%
    select(anio,
           trimestre,
           mes,
           Sales,
           Segment)->ventas
}

#Función para ver ventas anuales

herramientas_ver_ventasA<-function(){
  data_parcial_1_2021 %>%
    group_by(anio,
             Sales,
             Segment,
             ) %>%
    summarise(`# de ventas anuales`=n())
 
 
}


#Función para ver ventas trimestrales

herramientas_ver_ventasT<-function(){
  data_parcial_1_2021 %>%
    group_by(trimestre,
             Sales,
             Segment,
             ) %>%
    summarise(`# de ventas trimestrales`=n())
}
 
  #Función para ver ventas mensuales
 
  herramientas_ver_ventasM<-function(){
  data_parcial_1_2021 %>%
    group_by(mes,
             Sales,
             Segment,
             ) %>%
    summarise(`# de ventas mensuales`=n())
  }

Implementación de funciones personalizadas.

 # 1. Tabla en formato RAW.
anios_ranking<-2015:2018

tabla_top_k_raw<-function(df_comercio,top_k=5,anios_ranking,decimales=2
){
library(dplyr)
library(tidyr)
df_comercio %>% 
  filter(anio %in% anios_ranking) %>% 
  group_by(anio, State)  %>%
  summarise(`Total Ventas MM US$`=sum(Sales)) %>% mutate(percent=round(prop.table(`Total Ventas MM US$`)*100,2)) %>% 
  slice_max(n = 5,order_by = `Total Ventas MM US$`)  %>% 
  as.data.frame()  %>% 
  group_by(anio) %>%  
  mutate(rank = row_number(),
         data=paste("CA","|",percent,sep = "")) %>% 
  select(anio, data, rank) %>%  as.data.frame() %>% rename(`Año`=anio) %>%
  pivot_wider(names_from = rank,values_from = data)->mi_tabla
  print(mi_tabla)
}

Ejemplo de la Primer función:

tabla_top_k_raw(df_comercio = ventas,
                anios_ranking =2015:2018,
                top_k = 8,
                decimales = 2 )

## # A tibble: 4 × 6
##     Año `1`      `2`      `3`      `4`     `5`    
##   <dbl> <chr>    <chr>    <chr>    <chr>   <chr>  
## 1  2015 CA|18.65 CA|13.41 CA|10.45 CA|7.13 CA|6.23
## 2  2016 CA|18.64 CA|16.85 CA|7.4   CA|4.46 CA|4.35
## 3  2017 CA|21.08 CA|11.8  CA|6.83  CA|5.5  CA|4.55
## 4  2018 CA|20.04 CA|12.99 CA|9.08  CA|6.01 CA|5.91