Nivel 8 · Depuración: Furniture no puede ser nuestro mejor margen

Por qué 0 es el relleno equivocado

Nueve productos no tienen unit_cost (NaN). Un coste ausente significa “no lo sabemos”, no “gratis”. fillna(0) convierte “no lo sabemos” en “no cuesta nada”, y la fórmula del margen da entonces a esos productos el 100 %. Cinco de los nueve son Furniture (el Vale Velvet Loveseat, el Tidewater Teak Loveseat, el Weston Ash Bed Frame, el Alder Linen Sideboard y el Sable Oak Daybed), así que la media de Furniture saltó al 65,8 % y a lo más alto de la lista. Laura conocía el negocio lo bastante bien como para ver que eso era imposible. Esa es la mejor clase de comprobación.

Rellena con la mediana del grupo: transform

Laura pidió una estimación a partir de productos similares. Los costes varían enormemente en dólares, así que rellena la razón de coste (el coste como proporción del precio), que es comparable entre productos de una categoría:

products["cost_ratio"] = products["unit_cost"] / products["unit_price"]
products.groupby("category")["cost_ratio"].median()
# Furniture 0.476, Outdoor 0.445, Lighting 0.437, Decor 0.434, Kitchen 0.428, Textiles 0.416

agg o median() tras un groupby devuelve una fila por categoría. Para rellenar una columna necesitas la mediana de la categoría en cada fila de producto, alineada con la tabla. Eso es lo que hace transform: calcula por grupo y difunde la respuesta a cada fila del grupo, conservando el índice original.

category_median = products.groupby("category")["cost_ratio"].transform("median")
products["cost_ratio"] = products["cost_ratio"].fillna(category_median)

fillna con una Series rellena cada hueco con el valor de la misma etiqueta de índice, así que cada loveseat recibe la mediana de Furniture y cada parrilla la de Outdoor. La mediana ignora los NaN que está reemplazando.

El informe corregido

Kitchen lidera ahora con el 57,5 % y Furniture es la última con el 53,9 %, lo que coincide con lo que ve finanzas. Los 120 productos permanecen en el informe, 20 por categoría. Simplemente descartar los nueve también daría una clasificación sensata, pero con solo 15 productos de Furniture, y Laura pidió conservarlos.

Lighting (55,8 %) y Outdoor (55,7 %) están cerca. Antes de redondear están lo bastante separadas, pero el desempate por categoría en el orden mantiene fijo el orden pase lo que pase con los datos el mes que viene.

Errores comunes

• fillna(0) en un coste, precio o salario. Cero es un valor real, no “desconocido”.
• Usar .agg("median") o .median() en lugar de transform, y luego intentar rellenar con una tabla de seis filas.
• Rellenar con la mediana de toda la columna, que ignora cómo difieren las categorías.
• Rellenar unit_cost con la mediana del coste en dólares de la categoría, lo que da al Alder Linen Sideboard de $259 el coste típico de un sofá o una cama mucho más caros.