Nivel 2 · Revisión de la temporada navideña en pandas

La misma pregunta, las mismas definiciones

Esta es la misma revisión del nivel de SQL de este caso, construida en pandas. Mantén las definiciones idénticas o los números no coincidirán: pedidos completados, líneas con quantity > 0, ingreso quantity * unit_price * (1 - discount_pct / 100), sin envío. Cuando una versión en SQL y otra en pandas del mismo informe no coinciden, nueve de cada diez veces es porque una de las dos filtró distinto.

Construye la tabla base una sola vez

En SQL repites el JOIN en cada consulta. En pandas construyes una tabla a nivel de línea y la reutilizas:

completed = orders[orders["status"] == "completed"]
lines = order_items[order_items["quantity"] > 0].merge(
    completed[["order_id", "order_date", "channel"]],
    on="order_id", how="inner", validate="many_to_one",
)
lines["revenue"] = lines["quantity"] * lines["unit_price"] * (1 - lines["discount_pct"] / 100)

Filtrar orders antes de la unión es la versión en pandas de WHERE o.status = 'completed': la unión interna descarta toda línea cuyo pedido no esté en completed. validate="many_to_one" hace que pandas lance un error si alguna vez se duplica un id de pedido, que es como detectarías una duplicación antes de que llegue a una diapositiva.

Tres herramientas de fechas y etiquetas que usa este caso

Etiquetas de mes con .dt.strftime. En una columna datetime, .dt.strftime("%Y-%m") devuelve texto como "2025-11". %Y es el año de cuatro dígitos y %m el mes de dos dígitos. El texto con esa forma se ordena en orden de calendario, así que es una buena clave para groupby.

orders["order_date"].dt.strftime("%Y-%m").head(2)
# 0    2023-01
# 1    2023-01

Números de mes con .dt.month. .dt.month da el mes como número, de 1 a 12, así que lines["order_date"].dt.month == 11 es True en las filas de noviembre.

Etiquetas a partir de una condición con np.where. np.where(condition, value_if_true, value_if_false) construye una columna fila por fila, como un if de dos ramas:

orders["shipping_type"] = np.where(orders["shipping_fee"] == 0, "free shipping", "paid shipping")

Cada fila cuya tarifa es 0 recibe "free shipping", y cada una de las demás "paid shipping". En este caso lo usas para etiquetar cada línea con su temporada o mes, y luego pivotar sobre esa etiqueta.

Por último, sort_index() ordena un DataFrame por su índice, que después de un pivote es la clave de las filas (channel en el paso 3), así que equivale a ordenar por canal antes de reset_index().

Paso 1: groupby con agregación con nombre

COUNT(DISTINCT order_id) se convierte en ("order_id", "nunique"). Usar "count" en su lugar contaría líneas, el mismo error que COUNT(*) en SQL. El valor medio del pedido es un cociente de dos agregados, así que calcúlalo después del groupby, a partir del ingreso sin redondear, y redondea las columnas al final.

Los filtros de fecha comparan una columna datetime64 con un texto: pandas interpreta "2026-01-01" como la medianoche, así que < "2026-01-01" conserva todas las marcas de tiempo del 31 de diciembre.

Pasos 2 y 3: dos periodos como columnas

El SUM(CASE WHEN period THEN revenue END) de SQL tiene un equivalente directo en pandas: etiqueta cada fila con su periodo y luego pivota.

holiday = lines[in_24 | in_25].copy()
holiday["season"] = np.where(holiday["order_date"] < "2025-01-01", "rev_2024", "rev_2025")
wide = holiday.pivot_table(index="category", columns="season", values="revenue", aggfunc="sum")

El resultado tiene category como índice y una columna por temporada. Dos líneas de limpieza lo hacen coincidir con la salida de SQL: wide.columns.name = None quita la etiqueta «season» sobrante de las columnas, y reset_index() vuelve a convertir el índice de categorías en una columna. Ponerles a las etiquetas de periodo los nombres finales de las columnas (rev_2024, nov_revenue) te ahorra un renombrado.

Una alternativa es groupby(["category", "season"])["revenue"].sum().unstack(). Produce la misma tabla ancha; pivot_table simplemente lo dice en una sola llamada.

SQL y pandas lado a lado

Paso	SQL	pandas
filtrar filas	WHERE antes de GROUP BY	máscara booleana antes de groupby
conteo distinto	COUNT(DISTINCT ...)	nunique
periodos lado a lado	SUM(CASE WHEN ...)	pivot_table(columns=...)
ordenar	ORDER BY ... DESC	sort_values(..., ascending=False)

Errores comunes

• Redondear antes de dividir. Redondea las columnas de ingresos después de calcular el crecimiento, exactamente como lo hace la versión en SQL en su SELECT exterior.
• Orden de las categorías. pivot_table ordena el índice alfabéticamente; el ejercicio pide el orden por crecimiento, así que ordena de forma explícita.
• Olvidar reset_index. Un resultado con category como índice se ve igual en un cuaderno, pero no es la tabla que pide el ejercicio.
• Periodos ausentes. Si una categoría no tuvo ventas en una temporada, pivot_table dejaría un valor faltante (NaN) en esa celda. Aquí todas las categorías venden en ambas temporadas, pero compruébalo antes de dividir.