Nivel 4 · Pedidos por canal y estado

Agrupar por más de una clave

Pasa una lista de columnas y pandas crea un grupo por cada combinación que aparece en los datos:

orders.groupby(["channel", "status"]).size()

channel      status
app          cancelled     ...
             completed     ...
             pending       ...
             refunded      ...
marketplace  cancelled     ...
...
dtype: int64

El resultado tiene un MultiIndex: dos niveles de etiquetas de fila, canal y luego estado. Está ordenado por ambos. Solo aparecen las combinaciones que realmente ocurren; si ningún pedido del marketplace estuviera pendiente, no habría fila para él.

De MultiIndex a una tabla plana

Un índice de dos niveles es incómodo de leer y de unir. reset_index mueve ambos niveles a columnas. En una Series, name= establece el nombre de la columna de valores:

orders.groupby(["channel", "status"]).size().reset_index(name="n_orders")

La vía de la agregación con nombre da la misma tabla:

orders.groupby(["channel", "status"], as_index=False).agg(n_orders=("order_id", "count"))

Comparar grupos de forma justa

Los conteos sin procesar reflejan sobre todo el tamaño del canal: web tiene más pedidos, así que tiene más de todo. Para comparar tasas de cancelación, divide entre el total de cada canal. normalize=True en value_counts hace exactamente esto por grupo:

orders.groupby("channel")["status"].value_counts(normalize=True)

Las proporciones de cada canal ahora suman 1, y puedes ver si un canal cancela más en proporción, que es la pregunta que de verdad hace soporte.

Remodelar en una cuadrícula con unstack

La gente lee una cuadrícula con más facilidad que una lista larga. unstack mueve el nivel interior del índice (status) a columnas:

orders.groupby(["channel", "status"]).size().unstack(fill_value=0)

channel	cancelled	completed	pending	refunded
app	…	…	…	…
marketplace	…	…	…	…
web	…	…	…	…

fill_value=0 escribe 0 para las combinaciones que no ocurren, en lugar de NaN. pd.crosstab(orders["channel"], orders["status"]) construye la misma cuadrícula directamente, y pivot_table lo hace para cualquier agregación:

orders.pivot_table(index="channel", columns="status", values="shipping_fee", aggfunc="mean")

Usa el formato largo (una fila por combinación) para seguir calculando y para unir, y la cuadrícula para mostrar a la gente.

Errores comunes

• Usar .count() sobre todo el DataFrame agrupado. Devuelve una columna de conteo por cada columna original, cada una omitiendo los valores que faltan de esa columna, así que coupon_code muestra un número mucho menor que order_id.
• Olvidar name= en reset_index, lo que da una columna de valores llamada 0.
• Sacar conclusiones de conteos sin procesar entre grupos de tamaños muy distintos.
• Hacer unstack del nivel equivocado. unstack() mueve el último nivel (status) a columnas; unstack(level=0) pone los canales arriba en su lugar.