Nivel 10 · Desafío final: encuentra las canastas más grandes

Cambiar la granularidad

order_items tiene una fila por línea de pedido. Las preguntas de Megan son sobre pedidos. Pasar de una granularidad a otra más gruesa es para lo que sirve groupby: muchas líneas entran, sale una fila por pedido.

items = order_items.assign(
    line_revenue=order_items["quantity"] * order_items["unit_price"]
    * (1 - order_items["discount_pct"] / 100)
)
per_order = items.groupby("order_id", as_index=False).agg(revenue=("line_revenue", "sum"))

Comprueba la granularidad después: per_order["order_id"].is_unique debería ser True, y len(per_order) debería ser igual a order_items["order_id"].nunique(). Ambas son rápidas y detectan que has agrupado por la columna equivocada.

La media de per_order["revenue"] es el valor medio de pedido (AOV), uno de los números más vigilados del comercio electrónico. Fíjate en que es la media de los totales de pedido, no la media del ingreso por línea: items["line_revenue"].mean() es la línea promedio, unas dos veces y media menor.

Cada paso del Desafío final se ejecuta sobre una copia nueva de los datos, por eso cada paso vuelve a calcular el ingreso por línea. En un notebook lo calcularías una vez y lo reutilizarías.

Ordenar los grupos

Los diez pedidos más grandes son una ordenación sobre la tabla agregada:

per_order.sort_values(["revenue", "order_id"], ascending=[False, True]).head(10)

Las mayores canastas de Harbor & Pine vienen de cuentas de empresa que compran muebles en cantidad. Es útil decirlo en voz alta: una lista de «mejores pedidos» suele ser una lista de unos pocos clientes B2B, y los promedios de todos los pedidos esconden ese segmento por completo. Tu siguiente pregunta como analista sería quién los hizo, lo que requiere un join con orders y customers (el próximo capítulo).

Una proporción de un total

«¿Cuántos ingresos se vendieron con descuento?» es una razón entre dos sumas: ingresos con descuento sobre todos los ingresos. No necesitas un groupby; una máscara selecciona las líneas con descuento:

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

La máscara viene de order_items y se aplica a line_revenue. Eso funciona porque ambas comparten el mismo índice, así que pandas alinea las filas por etiqueta. Esta alineación es un superpoder de pandas y a veces una trampa: si hubieras filtrado o reordenado una de ellas, las etiquetas seguirían coincidiendo, pero los índices reiniciados no.

Fíjate en que es una proporción de ingresos, no de líneas. Una proporción de líneas con descuento, (order_items["discount_pct"] > 0).mean(), responde a otra pregunta. Aquí alrededor del 12.9% de las líneas llevan descuento pero aportan solo un 10.7% de los ingresos, en parte porque el propio descuento las reduce. Di cuál informas.

Sobre el desorden

Este nivel usa todas las líneas tal como están, incluida una pequeña cantidad de líneas con cantidades cero o negativas. Son errores de captura de datos que limpiarás en el capítulo 8. Su efecto aquí es mínimo, pero en un informe real limpiarías primero y lo dirías.

Errores comunes

• Sumar unit_price en lugar del ingreso por línea.
• Ordenar filas de order_items (líneas sueltas) en lugar de pedidos.
• Tomar la media de discount_pct como «proporción de ingresos con descuento».