1. Faro

Nivel 3 · Una media de 7 días para el panel

La solicitud

De Jordan Reyes, Director de Marketing

“El gráfico de pedidos diarios de la última temporada de fiestas salta demasiado para leerse. ¿Puedes añadir una media de 7 días junto al recuento diario para noviembre y diciembre de 2025?”

Tu objetivo

Cuenta los pedidos por día (todos los estados, cada día del calendario). Asigna a result un DataFrame con las columnas order_date (el día), n_orders (pedidos de ese día) y avg_7d (media de n_orders sobre ese día y los 6 días anteriores, redondeada a 2), solo para los días 2025-11-01 a 2025-12-31 (61 filas), ordenado por order_date ascendente, con el índice reiniciado. Las primeras filas de noviembre deben usar los días de octubre anteriores, no NaN.

  • Usa el DataFrame orderspendiente
  • Muestra exactamente order_date n_orders avg_7dpendiente
  • 61 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

    Por qué suavizar una serie diaria

    Las cifras diarias son ruidosas. Los pedidos de Harbor & Pine oscilan con el día de la semana, con los días de cobro y con las promociones, así que un gráfico diario parece un sismógrafo. Una media móvil (también llamada media deslizante) reemplaza cada día por la media de una ventana de días que termina en él. Una ventana de 7 días cubre cada día de la semana exactamente una vez, así que el ritmo semanal se cancela y aparece la tendencia.

    rolling(n)

    rolling(7) desliza una ventana de 7 filas a lo largo de la serie; la agregación que sigue se ejecuta en cada ventana:

    daily = orders.set_index("order_date").resample("D").size()
    daily.head(8).tolist()
    # [1, 8, 6, 4, 10, 9, 5, 8]
    daily.rolling(7).mean().round(2).head(8).tolist()
    # [nan, nan, nan, nan, nan, nan, 6.14, 7.14]

    El 7.º valor, 6.14, es la media de los primeros siete días (43 pedidos / 7). Los seis primeros valores son NaN porque todavía no existe una ventana completa de 7 filas. Si prefieres obtener un valor desde el primer día, pasa min_periods: rolling(7, min_periods=1) promedia las filas que haya disponibles, así que los tres primeros valores pasan a ser 1.0, 4.5 y 5.0. Es cómodo pero engañoso al principio de un gráfico, por eso el valor por defecto es estricto.

    .sum(), .max(), .median() y .std() también funcionan después de rolling. Una suma móvil de 7 días son “los pedidos de la última semana”, otra cifra habitual de panel.

    La ventana cuenta filas, no días. Por eso la serie diaria sale de resample("D"): tiene exactamente una fila por día del calendario, ceros incluidos, así que 7 filas son realmente 7 días. En una serie con días ausentes usarías una ventana basada en tiempo como rolling("7D").

    Primero la ventana, después el filtro

    Jordan solo quiere noviembre y diciembre. Si filtras primero, la ventana no tiene nada hacia atrás:

    daily.loc["2025-11-01":].rolling(7).mean().head(7)   # six NaN, then 17.71

    Calcula la media móvil sobre todo el historial y recorta el rango de fechas al final del todo. Entonces el 1 de noviembre de 2025 promedia del 26 de octubre al 1 de noviembre: 14.29.

    Cómo es la temporada de fiestas

    En el Black Friday, el 28 de noviembre de 2025, los pedidos saltan de 24 a 56. El recuento diario se dispara durante cuatro días (56, 51, 58, 67) y vuelve a 24 el 2 de diciembre, pero la media de 7 días sigue subiendo unos días más, porque el pico sigue dentro de la ventana. Alcanza su máximo de 44.14 el 4 de diciembre, el último día cuya semana aún contiene todo el fin de semana de Black Friday y el Cyber Monday. Una media móvil siempre va con retraso: te dice el nivel de la última semana, no el de hoy.

    Errores comunes

    • Filtrar el rango de fechas antes de aplicar rolling, lo que deja NaN al inicio del periodo.
    • Aplicar rolling sobre pedidos en bruto en lugar de una serie diaria: la ventana son 7 pedidos, no 7 días.
    • Usar min_periods=1 sin decirlo, lo que hace que los primeros días parezcan más tranquilos de lo que fueron.
    • Leer el máximo de una media móvil como el día pico. Va con retraso respecto al pico real.

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