Nivel 1 · Pedidos por canal con seaborn
¿Es nuevo para ti? Lee primero el concepto: Qué dice una correlación y qué no
0 de 3
La solicitud

De Robert Kim, Director de Operaciones
Tu objetivo
Usando los pedidos hechos en 2025 (todos los estados), asigna a result un DataFrame con las columnas channel y n_orders (número de pedidos), ordenado por n_orders de mayor a menor, con el índice reiniciado. Dibuja los recuentos con sns.countplot, con las barras en el mismo orden.
- Usa el DataFrame
orderspendiente - Muestra exactamente
channeln_orderspendiente - 3 filas, ordenadas como se pidependiente
Tu código
Cargando el editor…
Solución de referencia
| order_id | customer_id | order_date | status | channel |
|---|---|---|---|---|
| 1001 | 125 | 2023-01-01 20:51:19 | completed | web |
| 1002 | 156 | 2023-01-02 07:58:46 | completed | web |
| 1003 | 22 | 2023-01-02 10:25:27 | completed | marketplace |
| 1004 | 48 | 2023-01-02 11:21:51 | completed | marketplace |
Mote revisa tu resultado
Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.
Lo que recibe Robert, y por qué
DataFrames
Cargados como DataFrames de pandas, junto con pd y np.
orders12,000 filas · 7 columnas
order_idintegercustomer_idintegerorder_datetimestampstatusvarcharchannelvarcharshipping_feedecimalcoupon_codevarchar
| order_id | customer_id | order_date | status | channel | shipping_fee | coupon_code |
|---|---|---|---|---|---|---|
| 1001 | 125 | 2023-01-01 20:51:19 | completed | web | 0.00 | NaN |
| 1002 | 156 | 2023-01-02 07:58:46 | completed | web | 0.00 | NaN |
| 1003 | 22 | 2023-01-02 10:25:27 | completed | marketplace | 4.99 | WELCOME10 |
| 1004 | 48 | 2023-01-02 11:21:51 | completed | marketplace | 4.99 | WELCOME10 |
| 1005 | 82 | 2023-01-02 11:43:36 | completed | web | 0.00 | WELCOME10 |
customers2,018 filas · 9 columnas
customer_idintegerfirst_namevarcharlast_namevarcharemailvarcharcityvarcharstatevarcharsignup_datedatesegmentvarcharreferral_sourcevarchar
| customer_id | first_name | last_name | city | state | signup_date | segment | referral_source | |
|---|---|---|---|---|---|---|---|---|
| 1 | Owen | Hudson | owen.hudson@icloud.com | San Francisco | CA | 2022-06-02 | consumer | search |
| 2 | Douglas | Mendoza | dmendoza69@gmail.com | Atlanta | GA | 2022-06-02 | consumer | NaN |
| 3 | Henry | Brooks | hbrooks@lakesidecafe.com | Los Angeles | CA | 2022-06-04 | business | NaN |
| 4 | Brian | Graham | bgraham@bluecedarhomes.com | Seattle | WA | 2022-06-06 | business | |
| 5 | Kyle | Jimenez | kjimenez27@yahoo.com | Indianapolis | IN | 2022-06-07 | consumer | NaN |
products120 filas · 8 columnas
product_idintegernamevarcharcategoryvarcharsubcategoryvarcharunit_pricedecimalunit_costdecimallaunched_ondateis_activeboolean
| product_id | name | category | subcategory | unit_price | unit_cost | launched_on | is_active |
|---|---|---|---|---|---|---|---|
| 101 | Vale Velvet Loveseat | Furniture | Sofas | 1659.00 | NaN | 2023-09-11 | true |
| 102 | Alder Oak Coffee Table | Furniture | Tables | 919.00 | 503.50 | 2024-05-16 | true |
| 103 | Orchard Rattan Dining Chair | Furniture | Chairs | 789.00 | 429.87 | 2023-05-27 | true |
| 104 | Upland Oak Bookcase | Furniture | Storage | 429.00 | 214.70 | 2022-12-20 | true |
| 105 | Avery Leather Bed Frame | Furniture | Beds | 449.00 | 232.70 | 2021-08-31 | true |
order_items30,338 filas · 6 columnas
order_item_idintegerorder_idintegerproduct_idintegerquantityintegerunit_pricedecimaldiscount_pctdecimal
| order_item_id | order_id | product_id | quantity | unit_price | discount_pct |
|---|---|---|---|---|---|
| 1 | 1001 | 121 | 9 | 31.99 | 0.00 |
| 2 | 1001 | 154 | 3 | 11.99 | 0.00 |
| 3 | 1002 | 154 | 4 | 11.99 | 0.00 |
| 4 | 1002 | 194 | 1 | 149.00 | 0.00 |
| 5 | 1002 | 193 | 2 | 19.99 | 0.00 |
returns1,673 filas · 5 columnas
return_idintegerorder_item_idintegerreturned_ondatereasonvarcharrefund_amountdecimal
| return_id | order_item_id | returned_on | reason | refund_amount |
|---|---|---|---|---|
| 1 | 14 | 2023-01-10 | damaged | 83.69 |
| 2 | 42 | 2023-01-10 | wrong_item | 19.99 |
| 3 | 105 | 2023-01-14 | wrong_item | 10.99 |
| 4 | 24 | 2023-01-16 | changed_mind | 26.99 |
| 5 | 126 | 2023-01-16 | late | 20.99 |
employees60 filas · 8 columnas
employee_idintegerfirst_namevarcharlast_namevarchardepartmentvarchartitlevarcharmanager_idintegerhire_datedatesalaryinteger
| employee_id | first_name | last_name | department | title | manager_id | hire_date | salary |
|---|---|---|---|---|---|---|---|
| 1 | Catherine | Hale | Executive | Chief Executive Officer | NaN | 2016-03-01 | 285000 |
| 2 | Robert | Kim | Executive | Chief Operating Officer | 1 | 2017-01-09 | 235000 |
| 3 | Megan | Collins | Sales | Head of Sales | 1 | 2018-04-16 | 172000 |
| 4 | Chloe | Gutierrez | Sales | Account Executive | 3 | 2020-01-21 | 72000 |
| 5 | Frank | Bell | Sales | Account Executive | 3 | 2023-05-21 | 73000 |
web_sessions40,000 filas · 7 columnas
session_idintegercustomer_idintegerstarted_attimestampdevicevarcharsourcevarcharpages_viewedintegerconvertedboolean
| session_id | customer_id | started_at | device | source | pages_viewed | converted |
|---|---|---|---|---|---|---|
| 1 | NaN | 2023-01-01 23:02:24 | mobile | paid | 1 | false |
| 2 | 18 | 2023-01-01 15:07:49 | desktop | paid | 1 | false |
| 3 | NaN | 2023-01-01 16:55:46 | desktop | direct | 7 | false |
| 4 | NaN | 2023-01-01 12:43:28 | mobile | organic | 3 | false |
| 5 | NaN | 2023-01-01 13:06:21 | mobile | social | 2 | false |
marketing_spend3,276 filas · 3 columnas
spend_datedatechannelvarcharamountdecimal
| spend_date | channel | amount |
|---|---|---|
| 2023-01-01 | paid | 492.99 |
| 2023-01-01 | 37.38 | |
| 2023-01-01 | social | 200.53 |
| 2023-01-02 | paid | 709.13 |
| 2023-01-02 | 64.13 |
La lección
El patrón de seaborn
seaborn se importa como sns, por una convención tan universal como pd y np. Toda función tiene
la misma forma: le das la tabla entera y los nombres de las columnas que usar.
import seaborn as sns
sns.set_theme(style="whitegrid") # once, at the top: a clean default look
ax = sns.countplot(data=o25, x="channel")
ax.set_title("Orders per channel, 2025")
Devuelve unos Axes normales de matplotlib, así que todo lo del capítulo 11 sigue valiendo:
set_title, set_xlabel, set_ylim, bar_label. seaborn dibuja el gráfico; matplotlib lo remata.
countplot cuenta por ti
countplot toma filas en bruto y cuenta cuántas caen en cada categoría, como value_counts()
dibujado en barras. Sus barras salen en el orden en que las categorías aparecen por primera vez, así
que ordénalas con order=:
counts = o25["channel"].value_counts() # app 2135, web 1946, marketplace 702
ax = sns.countplot(data=o25, x="channel", order=counts.index)
ax.bar_label(ax.containers[0], padding=3) # write the count on each bar
ax.containers[0] es el grupo de barras que dibujó seaborn; bar_label escribe la altura de cada
barra encima. Para categorías con nombres largos, usa y="channel" en lugar de x= para obtener barras horizontales.
La tabla detrás del gráfico es el mismo value_counts, convertido en dos columnas con nombre:
counts.rename_axis("channel").reset_index(name="n_orders")
hue añade una segunda categoría
hue= divide cada barra según una segunda columna y añade una leyenda automáticamente, que es la
mayor comodidad de seaborn frente a matplotlib puro:
ax = sns.countplot(data=o25, x="channel", hue="status", order=counts.index,
hue_order=["completed", "cancelled", "refunded", "pending"])
En 2025 la app tuvo 133 pedidos cancelados de 2.135 (6,2 %), la web 102 de 1.946 (5,2 %) y el marketplace 40 de 702 (5,7 %). Con las barras de completed tan altas, los grupos pequeños son difíciles de leer; cuando los grupos pequeños son el objetivo, grafica sus tasas en su lugar.
Errores comunes
- Dar a
countplotuna tabla de recuentos: contaría las filas de esa tabla (una por canal). Para cifras precalculadas usasns.barplot(data=table, x="channel", y="n_orders"). - Olvidar
order=, de modo que las barras salen en el orden de los datos en lugar de clasificadas. - Escribir
x=o25["channel"]ydata=o25a la vez. Pasa los nombres de columna como cadenas condata=. - Llamar a
sns.set_theme()antes de cada gráfico. Una vez arriba basta. - Esperar que
countplotdevuelva los recuentos. Devuelve los Axes; las cifras salen devalue_counts(), que es también lo que citas en el texto junto al gráfico, así que construye primero la tabla y dibuja a partir de los mismos datos.
¡Linterna encendida!
Practicaste: seaborncountplothueordervalue counts
- Resuelto
- Sin pistas
- Al primer intento
