Nivel 10 · Desafío final: el informe limpio de 2025

Limpia y luego cuenta

Las cifras de la junta se comparan con las de finanzas, con la presentación del trimestre pasado y con la memoria del CEO. Cuando discrepan, la primera pregunta siempre es “¿qué incluiste?”. Un informe limpio responde esa pregunta antes de que nadie la haga: elimina las filas incorrectas conocidas, usa una definición declarada de ingresos y cuenta clientes reales, no registros.

Paso 1: dimensiona el problema

Antes de excluir nada, mídelo:

(order_items["quantity"] <= 0).sum()
order_items[order_items["quantity"] <= 0].head()

Las cantidades cero y negativas son errores de entrada de datos aquí (nunca son artículos devueltos). Saber que son 24 líneas de unas 30.000 te dice que el efecto es pequeño pero real, y te permite escribir una nota al pie de una línea: “24 líneas de pedido con cantidades inválidas excluidas”.

Nunca arregles filas incorrectas adivinando (pasar los negativos a positivo, por ejemplo) a menos que alguien que es dueño de los datos confirme que esa es la corrección correcta.

Paso 2: una serie limpia de ingresos mensuales

La definición, escrita primero: ingresos de línea tras descuento, solo cantidades válidas, solo pedidos completados, por mes de la fecha del pedido, 2025.

good = order_items[order_items["quantity"] > 0]
good = good.assign(line_revenue=good["quantity"] * good["unit_price"] * (1 - good["discount_pct"] / 100))

completed = orders.loc[orders["status"] == "completed", ["order_id", "order_date"]]
lines = good.merge(completed, on="order_id", how="inner", validate="many_to_one")

El merge inner hace dos trabajos: trae la fecha del pedido y descarta las líneas de pedidos cancelados, reembolsados y pendientes. Luego filtra a 2025 y agrupa por una etiqueta de mes:

lines_2025 = lines[lines["order_date"].dt.year == 2025]
lines_2025.assign(month=lines_2025["order_date"].dt.strftime("%Y-%m")).groupby("month", as_index=False)...

strftime("%Y-%m") da texto como '2025-11', que se ordena bien y se lee bien. Espera que noviembre y diciembre destaquen: el Black Friday, el Cyber Monday y las fiestas los elevan muy por encima de cualquier otro mes, mientras que febrero es el más tranquilo.

order_date incluye una hora, y eso está bien para agrupar por mes. Si alguna vez filtras con <= "2025-12-31", recuerda que eso significa la medianoche al inicio del 31 de diciembre, lo que descarta todo ese día. Usa < "2026-01-01" o .dt.year == 2025 en su lugar.

Paso 3: clientes reales

deduped = (
    customers.assign(email_key=customers["email"].str.strip().str.lower())
    .sort_values("customer_id")
    .drop_duplicates(subset="email_key", keep="first")
)
deduped.groupby("segment", as_index=False).agg(n_customers=("customer_id", "count"))

Ordenar por customer_id antes de eliminar convierte “conservar el registro original” en una regla explícita en lugar de un accidente del orden del archivo. El total sin duplicados debería ser exactamente 18 menos que len(customers); compruébalo.

Ten en cuenta que esto cuenta a todos los que se registraron. Si la junta quiere clientes activos, esa es otra definición (clientes con un pedido completado en 2025) y otra cifra. Di cuál de las dos muestra la diapositiva.

Cómo es un buen paso de limpieza

• Está medido: sabes cuántas filas toca.
• Está explicado: una frase sobre el porqué.
• Es reproducible: código, no ediciones manuales en una hoja de cálculo.
• Está comprobado: los totales antes y después concilian.

Errores comunes

• Filtrar la cantidad después de agregar, cuando las líneas incorrectas ya están dentro de los totales.
• Agrupar solo por dt.month, lo que mezcla meses de años distintos si falta el filtro de año.
• Eliminar duplicados sin ordenar, de modo que un registro duplicado podría sobrevivir en lugar del original.