Nivel 7 · Depuración: ¿30.338 pedidos por segmento?

Detecta el fan-out por el número de filas

La pista de Laura es un recuento: 30.338 “pedidos” cuando la tienda tiene 12.000. 30.338 es exactamente el número de filas de order_items. Esa es la huella de un fan-out: la tabla se unió con las líneas de pedido, así que cada pedido aparece ahora una vez por línea, y cada columna de nivel pedido, incluida shipping_fee, se repite.

len(orders)                                        # 12000
len(orders.merge(order_items, on="order_id"))      # 30338

El informe nunca usa una columna de order_items. El merge probablemente se copió de otro script “por si acaso”, y cambió en silencio el grano de pedidos a líneas de pedido.

Arregla el grano

Mantén la tabla en una fila por pedido. El segmento viene de customers, y cada pedido tiene exactamente un cliente, así que ese merge es many-to-one y no añade filas:

full = orders.merge(customers[["customer_id", "segment"]], on="customer_id", validate="many_to_one")
len(full)   # 12000

validate="many_to_one" hace que pandas lance un error si un id de cliente apareciera dos veces en customers, lo que sería un fan-out distinto. No cuesta nada y documenta lo que esperas.

Por qué hasta la media estaba mal

Podrías pensar que una media sobrevive al fan-out, ya que cada gasto se repite. No es así. Los pedidos con muchas líneas se repiten más a menudo, y las cestas grandes de varias líneas suelen enviarse gratis, así que la media multiplicada se inclina hacia $0. El starter daba $2.40 para consumer en lugar de $3.20, y $1.06 para business en lugar de $1.27. Un fan-out convierte en silencio una media simple en una media ponderada.

La tabla corregida también cuenta una historia real: los clientes business hacen pedidos más grandes que casi siempre superan el umbral de envío gratis, así que pagan $1.27 por pedido de media frente a $3.20 de los clientes consumer. Y los dos recuentos de pedidos, 3.305 y 8.695, suman exactamente 12.000, la conciliación que le faltaba a Laura.

Errores comunes

• Unir todas las tablas “por si hacen falta”. Cada merge con una tabla del lado “muchos” cambia el grano.
• Cambiar size por nunique para el recuento de pedidos pero conservar las sumas infladas.
• Fiarte de una media tras un fan-out: las filas repetidas cambian los pesos.
• No comparar len() antes y después de un merge.