La solicitud

De Robert Kim, Director de Operaciones

“Algo rápido para la reunión de operaciones: ¿cuántos pedidos aportó cada canal en 2025, el mayor primero? ¿Y puedo ver las cancelaciones en el mismo gráfico?”

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 channel n_orderspendiente
  • 3 filas, ordenadas como se pidependiente

Tu código

Python

Cargando el editor…

    ResultadoVista previa de orders · presiona Ejecutar para ver el tuyo
    Vista previa de orders
    order_idcustomer_idorder_datestatuschannel
    10011252023-01-01 20:51:19completedweb
    10021562023-01-02 07:58:46completedweb
    1003222023-01-02 10:25:27completedmarketplace
    1004482023-01-02 11:21:51completedmarketplace

    Mote revisa tu resultado

    Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.

    DataFrames

    Cargados como DataFrames de pandas, junto con pd y np.

    orders12,000 filas · 7 columnas
    • order_idinteger
    • customer_idinteger
    • order_datetimestamp
    • statusvarchar
    • channelvarchar
    • shipping_feedecimal
    • coupon_codevarchar
    Primeras 5 filas de orders
    order_idcustomer_idorder_datestatuschannelshipping_feecoupon_code
    10011252023-01-01 20:51:19completedweb0.00NaN
    10021562023-01-02 07:58:46completedweb0.00NaN
    1003222023-01-02 10:25:27completedmarketplace4.99WELCOME10
    1004482023-01-02 11:21:51completedmarketplace4.99WELCOME10
    1005822023-01-02 11:43:36completedweb0.00WELCOME10
    customers2,018 filas · 9 columnas
    • customer_idinteger
    • first_namevarchar
    • last_namevarchar
    • emailvarchar
    • cityvarchar
    • statevarchar
    • signup_datedate
    • segmentvarchar
    • referral_sourcevarchar
    Primeras 5 filas de customers
    customer_idfirst_namelast_nameemailcitystatesignup_datesegmentreferral_source
    1OwenHudsonowen.hudson@icloud.comSan FranciscoCA2022-06-02consumersearch
    2DouglasMendozadmendoza69@gmail.comAtlantaGA2022-06-02consumerNaN
    3HenryBrookshbrooks@lakesidecafe.comLos AngelesCA2022-06-04businessNaN
    4BrianGrahambgraham@bluecedarhomes.comSeattleWA2022-06-06businesspinterest
    5KyleJimenezkjimenez27@yahoo.comIndianapolisIN2022-06-07consumerNaN
    products120 filas · 8 columnas
    • product_idinteger
    • namevarchar
    • categoryvarchar
    • subcategoryvarchar
    • unit_pricedecimal
    • unit_costdecimal
    • launched_ondate
    • is_activeboolean
    Primeras 5 filas de products
    product_idnamecategorysubcategoryunit_priceunit_costlaunched_onis_active
    101Vale Velvet LoveseatFurnitureSofas1659.00NaN2023-09-11true
    102Alder Oak Coffee TableFurnitureTables919.00503.502024-05-16true
    103Orchard Rattan Dining ChairFurnitureChairs789.00429.872023-05-27true
    104Upland Oak BookcaseFurnitureStorage429.00214.702022-12-20true
    105Avery Leather Bed FrameFurnitureBeds449.00232.702021-08-31true
    order_items30,338 filas · 6 columnas
    • order_item_idinteger
    • order_idinteger
    • product_idinteger
    • quantityinteger
    • unit_pricedecimal
    • discount_pctdecimal
    Primeras 5 filas de order_items
    order_item_idorder_idproduct_idquantityunit_pricediscount_pct
    11001121931.990.00
    21001154311.990.00
    31002154411.990.00
    410021941149.000.00
    51002193219.990.00
    returns1,673 filas · 5 columnas
    • return_idinteger
    • order_item_idinteger
    • returned_ondate
    • reasonvarchar
    • refund_amountdecimal
    Primeras 5 filas de returns
    return_idorder_item_idreturned_onreasonrefund_amount
    1142023-01-10damaged83.69
    2422023-01-10wrong_item19.99
    31052023-01-14wrong_item10.99
    4242023-01-16changed_mind26.99
    51262023-01-16late20.99
    employees60 filas · 8 columnas
    • employee_idinteger
    • first_namevarchar
    • last_namevarchar
    • departmentvarchar
    • titlevarchar
    • manager_idinteger
    • hire_datedate
    • salaryinteger
    Primeras 5 filas de employees
    employee_idfirst_namelast_namedepartmenttitlemanager_idhire_datesalary
    1CatherineHaleExecutiveChief Executive OfficerNaN2016-03-01285000
    2RobertKimExecutiveChief Operating Officer12017-01-09235000
    3MeganCollinsSalesHead of Sales12018-04-16172000
    4ChloeGutierrezSalesAccount Executive32020-01-2172000
    5FrankBellSalesAccount Executive32023-05-2173000
    web_sessions40,000 filas · 7 columnas
    • session_idinteger
    • customer_idinteger
    • started_attimestamp
    • devicevarchar
    • sourcevarchar
    • pages_viewedinteger
    • convertedboolean
    Primeras 5 filas de web_sessions
    session_idcustomer_idstarted_atdevicesourcepages_viewedconverted
    1NaN2023-01-01 23:02:24mobilepaid1false
    2182023-01-01 15:07:49desktoppaid1false
    3NaN2023-01-01 16:55:46desktopdirect7false
    4NaN2023-01-01 12:43:28mobileorganic3false
    5NaN2023-01-01 13:06:21mobilesocial2false
    marketing_spend3,276 filas · 3 columnas
    • spend_datedate
    • channelvarchar
    • amountdecimal
    Primeras 5 filas de marketing_spend
    spend_datechannelamount
    2023-01-01paid492.99
    2023-01-01email37.38
    2023-01-01social200.53
    2023-01-02paid709.13
    2023-01-02email64.13

    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 countplot una tabla de recuentos: contaría las filas de esa tabla (una por canal). Para cifras precalculadas usa sns.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"] y data=o25 a la vez. Pasa los nombres de columna como cadenas con data=.
    • Llamar a sns.set_theme() antes de cada gráfico. Una vez arriba basta.
    • Esperar que countplot devuelva los recuentos. Devuelve los Axes; las cifras salen de value_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.

    Elige qué puede ejecutarse en este sitio. Puedes cambiarlo cuando quieras desde "Configurar cookies", al pie de cada página.