1. Faro

Nivel 7 · Agrupa los códigos de cupón en campañas

La solicitud

De Jordan Reyes, Director de Marketing

“Así se agrupan nuestros códigos de cupón en campañas. Cuéntame los pedidos con cupón por campaña. Si un código no está en mi lista, no adivines, etiquétalo como 'Unmapped' para que vea qué me olvidé.”

Tu objetivo

Conserva solo los pedidos que tienen coupon_code. Asigna coupon_code a una campaña con campaigns (dado) usando Series.map; los códigos que no están en el diccionario pasan a NaN, así que rellénalos con 'Unmapped'. Asigna a result un DataFrame con las columnas campaign y n_orders (pedidos por campaña), ordenado por n_orders descendente, con el índice reiniciado.

  • Usa el DataFrame orderspendiente
  • Muestra exactamente campaign n_orderspendiente
  • 4 filas, ordenadas como se pidependiente

Tu código

Python

Cargando el editor…

    ResultadoVista previa de orders · presiona Ejecutar para ver el tuyo
    Vista previa de orders
    order_idcustomer_idorder_datestatuschannel
    10011252023-01-01 20:51:19completedweb
    10021562023-01-02 07:58:46completedweb
    1003222023-01-02 10:25:27completedmarketplace
    1004482023-01-02 11:21:51completedmarketplace

    Mote revisa tu resultado

    Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.

    DataFrames

    Cargados como DataFrames de pandas, junto con pd y np.

    orders12,000 filas · 7 columnas
    • order_idinteger
    • customer_idinteger
    • order_datetimestamp
    • statusvarchar
    • channelvarchar
    • shipping_feedecimal
    • coupon_codevarchar
    Primeras 5 filas de orders
    order_idcustomer_idorder_datestatuschannelshipping_feecoupon_code
    10011252023-01-01 20:51:19completedweb0.00NaN
    10021562023-01-02 07:58:46completedweb0.00NaN
    1003222023-01-02 10:25:27completedmarketplace4.99WELCOME10
    1004482023-01-02 11:21:51completedmarketplace4.99WELCOME10
    1005822023-01-02 11:43:36completedweb0.00WELCOME10
    customers2,018 filas · 9 columnas
    • customer_idinteger
    • first_namevarchar
    • last_namevarchar
    • emailvarchar
    • cityvarchar
    • statevarchar
    • signup_datedate
    • segmentvarchar
    • referral_sourcevarchar
    Primeras 5 filas de customers
    customer_idfirst_namelast_nameemailcitystatesignup_datesegmentreferral_source
    1OwenHudsonowen.hudson@icloud.comSan FranciscoCA2022-06-02consumersearch
    2DouglasMendozadmendoza69@gmail.comAtlantaGA2022-06-02consumerNaN
    3HenryBrookshbrooks@lakesidecafe.comLos AngelesCA2022-06-04businessNaN
    4BrianGrahambgraham@bluecedarhomes.comSeattleWA2022-06-06businesspinterest
    5KyleJimenezkjimenez27@yahoo.comIndianapolisIN2022-06-07consumerNaN
    products120 filas · 8 columnas
    • product_idinteger
    • namevarchar
    • categoryvarchar
    • subcategoryvarchar
    • unit_pricedecimal
    • unit_costdecimal
    • launched_ondate
    • is_activeboolean
    Primeras 5 filas de products
    product_idnamecategorysubcategoryunit_priceunit_costlaunched_onis_active
    101Vale Velvet LoveseatFurnitureSofas1659.00NaN2023-09-11true
    102Alder Oak Coffee TableFurnitureTables919.00503.502024-05-16true
    103Orchard Rattan Dining ChairFurnitureChairs789.00429.872023-05-27true
    104Upland Oak BookcaseFurnitureStorage429.00214.702022-12-20true
    105Avery Leather Bed FrameFurnitureBeds449.00232.702021-08-31true
    order_items30,338 filas · 6 columnas
    • order_item_idinteger
    • order_idinteger
    • product_idinteger
    • quantityinteger
    • unit_pricedecimal
    • discount_pctdecimal
    Primeras 5 filas de order_items
    order_item_idorder_idproduct_idquantityunit_pricediscount_pct
    11001121931.990.00
    21001154311.990.00
    31002154411.990.00
    410021941149.000.00
    51002193219.990.00
    returns1,673 filas · 5 columnas
    • return_idinteger
    • order_item_idinteger
    • returned_ondate
    • reasonvarchar
    • refund_amountdecimal
    Primeras 5 filas de returns
    return_idorder_item_idreturned_onreasonrefund_amount
    1142023-01-10damaged83.69
    2422023-01-10wrong_item19.99
    31052023-01-14wrong_item10.99
    4242023-01-16changed_mind26.99
    51262023-01-16late20.99
    employees60 filas · 8 columnas
    • employee_idinteger
    • first_namevarchar
    • last_namevarchar
    • departmentvarchar
    • titlevarchar
    • manager_idinteger
    • hire_datedate
    • salaryinteger
    Primeras 5 filas de employees
    employee_idfirst_namelast_namedepartmenttitlemanager_idhire_datesalary
    1CatherineHaleExecutiveChief Executive OfficerNaN2016-03-01285000
    2RobertKimExecutiveChief Operating Officer12017-01-09235000
    3MeganCollinsSalesHead of Sales12018-04-16172000
    4ChloeGutierrezSalesAccount Executive32020-01-2172000
    5FrankBellSalesAccount Executive32023-05-2173000
    web_sessions40,000 filas · 7 columnas
    • session_idinteger
    • customer_idinteger
    • started_attimestamp
    • devicevarchar
    • sourcevarchar
    • pages_viewedinteger
    • convertedboolean
    Primeras 5 filas de web_sessions
    session_idcustomer_idstarted_atdevicesourcepages_viewedconverted
    1NaN2023-01-01 23:02:24mobilepaid1false
    2182023-01-01 15:07:49desktoppaid1false
    3NaN2023-01-01 16:55:46desktopdirect7false
    4NaN2023-01-01 12:43:28mobileorganic3false
    5NaN2023-01-01 13:06:21mobilesocial2false
    marketing_spend3,276 filas · 3 columnas
    • spend_datedate
    • channelvarchar
    • amountdecimal
    Primeras 5 filas de marketing_spend
    spend_datechannelamount
    2023-01-01paid492.99
    2023-01-01email37.38
    2023-01-01social200.53
    2023-01-02paid709.13
    2023-01-02email64.13

    La lección

    map: busca cada valor en un diccionario

    Series.map(d) reemplaza cada valor por d[value]. Es la versión pandas de buscar un código en una tabla de referencia:

    campaigns = {"WELCOME10": "Onboarding", "SPRING15": "Seasonal", "SUMMER15": "Seasonal",
                 "BFCM25": "Holiday", "HOLIDAY20": "Holiday"}
    orders["coupon_code"].map(campaigns).head()

    El detalle importante es qué pasa con un valor que no es una clave. Un diccionario normal de Python lanza KeyError ante una clave ausente; map no. Devuelve NaN en silencio. Los pedidos sin cupón (NaN en coupon_code) también vuelven como NaN, ya que NaN tampoco es una clave.

    Haz visibles los huecos

    Harbor & Pine tiene seis códigos de cupón, pero la lista de Jordan tiene cinco. Falta FREESHIP, así que sus pedidos se asignan a NaN:

    coupon_orders = orders[orders["coupon_code"].notna()].copy()
    mapped = coupon_orders["coupon_code"].map(campaigns)
    mapped.isna().sum()      # 193, all FREESHIP

    Si agrupas ahora, esos 193 pedidos desaparecen, porque groupby deja fuera las claves NaN por defecto. Los totales sumarían 1.530 en lugar de los 1.723 pedidos que usaron cupón, y nadie sabría por qué. fillna("Unmapped") convierte el hueco silencioso en una fila que Jordan puede ver y sobre la que puede actuar.

    Por eso filtramos primero a los pedidos con cupón. De lo contrario, los 10.277 pedidos sin ningún cupón también pasarían a NaN y luego a “Unmapped”, mezclando “sin cupón” con “un código que olvidé”.

    El resultado

    campaña n_orders
    Onboarding 587
    Holiday 541
    Seasonal 402
    Unmapped 193

    WELCOME10 por sí solo es el código más usado. Holiday combina BFCM25 (348 pedidos) y HOLIDAY20 (193). Cuando Jordan añada FREESHIP al diccionario, la fila Unmapped desaparecerá, que es exactamente cómo debe comportarse una tabla de consulta. Una conciliación rápida demuestra que no se perdió nada: 587

    • 541 + 402 + 193 = 1.723, el número de pedidos con cualquier cupón.

    Errores comunes

    • Agrupar justo después de map, de modo que los códigos sin asignar desaparecen de los totales.
    • Usar .replace(campaigns) en su lugar: deja sin cambios los códigos desconocidos, así que FREESHIP parecería un nombre de campaña.
    • Asignar toda la tabla orders, de modo que “sin cupón” y “cupón desconocido” acaban en el mismo grupo.
    • Esperar que map lance un error ante una clave ausente, como hace una búsqueda normal en un diccionario.

    Elige qué puede ejecutarse en este sitio. Puedes cambiarlo cuando quieras desde "Configurar cookies", al pie de cada página.