Nivel 5 · Cuenta los pedidos por estado

value_counts: ¿cuántos de cada uno?

Para una columna de texto o de categorías, la primera pregunta siempre es «¿qué valores hay y con qué frecuencia?». value_counts() la responde en una llamada:

orders["status"].value_counts()

status
completed    10849
cancelled      726
refunded       304
pending        121
Name: count, dtype: int64

El resultado es una Series: los valores pasan a ser el índice y los conteos son los datos. Está ordenada de más a menos frecuente, así que lo de arriba responde a «¿qué es lo más común?».

Opciones útiles:

orders["status"].value_counts(normalize=True)   # shares that add up to 1
orders["coupon_code"].value_counts(dropna=False)   # include NaN as its own row
orders["channel"].value_counts(ascending=True)     # least common first

La opción dropna=False es importante. Por defecto, los valores que faltan se omiten en silencio, y en coupon_code las filas que faltan (sin cupón) son, con mucho, el grupo más grande. Una proporción calculada sin ellas estaría muy equivocada.

Funciones auxiliares relacionadas

orders["channel"].unique()     # array(['web', 'marketplace', 'app'], dtype=object)
orders["channel"].nunique()    # 3
orders["customer_id"].nunique()   # how many distinct customers ordered

nunique es como respondes a «¿cuántos clientes distintos?», que no es lo mismo que el número de pedidos.

describe: números de un vistazo

Para columnas numéricas, describe() da el resumen estándar:

products["unit_price"].describe()

count     120.00
mean      270.16
std       362.06
min        10.99
25%        51.74
50%       154.00
75%       289.00
max      1659.00

Léelo como un analista. La media ($270) está muy por encima de la mediana, la línea del 50% ($154). Esa diferencia te dice que los precios están sesgados: unas pocas piezas caras de mobiliario suben el promedio. Con datos sesgados, la mediana suele ser el mejor valor «típico» para informar. Los cuartiles (25% y 75%) te dicen que la mitad central de los productos cuesta entre unos $52 y $289.

En un DataFrame completo, orders.describe() resume cada columna numérica, y orders.describe(include="object") resume las columnas de texto con count, unique, top y freq.

Cuidado con los IDs

describe() informará con gusto la media de customer_id. No tiene sentido: los IDs son etiquetas, no cantidades. Ignora los resúmenes de columnas de ID, o selecciona primero las columnas que de verdad te importan.

Errores comunes

• Llamar a value_counts() sobre el DataFrame completo cuando querías una columna. orders.value_counts() cuenta combinaciones únicas de todas las columnas.
• Olvidar dropna=False en columnas con valores que faltan, y luego informar proporciones demasiado altas.
• Informar la media de una columna sesgada como «el precio típico».
• Reordenar el resultado a mano. value_counts() ya pone primero el valor más común; usa .sort_index() cuando quieras los valores en orden alfabético.