Nivel 4 · Suaviza el gráfico de ingresos diarios

De Laura Bennett, Directora de Finanzas

“El gráfico de ingresos diarios de nuestro panel salta por todos lados, así que nadie puede decir cuándo empezó de verdad la temporada alta ni cuándo tuvo su pico. ¿Puedes suavizarlo con un promedio de 7 días y decirme cuál fue el día más fuerte y la semana más fuerte de 2025?”

Tu objetivo

Construye los ingresos diarios de 2025 a partir de los pedidos completados (ingresos de la línea = quantity × unit_price × (1 − discount_pct / 100)), con un valor por cada día del calendario. Luego calcula una media móvil de 7 días. Asigna a result un diccionario: "busiest_day", la fecha con los mayores ingresos diarios, y "busiest_week_end", la fecha en que la media de 7 días es más alta, ambas como texto "YYYY-MM-DD", y "max_7day", esa media de 7 días más alta, redondeada a 2.

Usa el DataFrame orderspendiente
Usa el DataFrame order_itemspendiente
Guarda un dict en resultpendiente

Daily revenue, October to December 2025

One point per day. Single big orders make spikes that say little about the trend.

Ver los números

	revenue
Oct 01	$7,274
Oct 02	$2,112
Oct 03	$4,680
Oct 04	$2,781
Oct 05	$3,477
Oct 06	$2,683
Oct 07	$3,333
Oct 08	$6,183
Oct 09	$9,080
Oct 10	$13,463
Oct 11	$2,566
Oct 12	$4,713
Oct 13	$6,800
Oct 14	$9,910
Oct 15	$6,526
Oct 16	$3,814
Oct 17	$8,680
Oct 18	$7,353
Oct 19	$1,924
Oct 20	$2,019
Oct 21	$6,832
Oct 22	$3,267
Oct 23	$1,675
Oct 24	$6,266
Oct 25	$12,136
Oct 26	$6,223
Oct 27	$6,582
Oct 28	$5,525
Oct 29	$5,992
Oct 30	$3,587
Oct 31	$7,148
Nov 01	$13,803
Nov 02	$9,265
Nov 03	$8,846
Nov 04	$4,958
Nov 05	$6,880
Nov 06	$6,287
Nov 07	$6,646
Nov 08	$5,912
Nov 09	$7,314
Nov 10	$13,755
Nov 11	$6,441
Nov 12	$10,065
Nov 13	$5,885
Nov 14	$5,975
Nov 15	$16,267
Nov 16	$8,817
Nov 17	$10,937
Nov 18	$15,139
Nov 19	$6,540
Nov 20	$12,074
Nov 21	$10,664
Nov 22	$6,574
Nov 23	$14,407
Nov 24	$5,660
Nov 25	$4,173
Nov 26	$4,801
Nov 27	$11,165
Nov 28	$15,976
Nov 29	$19,382
Nov 30	$17,757
Dec 01	$23,299
Dec 02	$7,703
Dec 03	$6,354
Dec 04	$13,797
Dec 05	$8,518
Dec 06	$13,459
Dec 07	$15,360
Dec 08	$11,234
Dec 09	$3,319
Dec 10	$9,526
Dec 11	$11,364
Dec 12	$9,434
Dec 13	$22,028
Dec 14	$8,486
Dec 15	$7,621
Dec 16	$16,117
Dec 17	$13,730
Dec 18	$6,980
Dec 19	$6,694
Dec 20	$14,178
Dec 21	$9,817
Dec 22	$6,037
Dec 23	$5,782
Dec 24	$5,647
Dec 25	$1,597
Dec 26	$6,528
Dec 27	$5,232
Dec 28	$6,396
Dec 29	$1,635
Dec 30	$3,416
Dec 31	$7,059

Tu código

Python

Cargando el editor…

Solución de referencia

ResultadoVista previa de orders · presiona Ejecutar para ver el tuyo

Vista previa de orders
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 Laura, y por qué

7-day rolling average of daily revenue, October to December 2025

Each point is the mean of that day and the six before it. The rush builds from mid-November and peaks in the first week of December.

Ver los números

	avg_7day
Oct 01	$5,824
Oct 02	$5,354
Oct 03	$5,506
Oct 04	$4,601
Oct 05	$3,973
Oct 06	$3,771
Oct 07	$3,763
Oct 08	$3,607
Oct 09	$4,602
Oct 10	$5,857
Oct 11	$5,826
Oct 12	$6,003
Oct 13	$6,591
Oct 14	$7,531
Oct 15	$7,579
Oct 16	$6,827
Oct 17	$6,144
Oct 18	$6,828
Oct 19	$6,429
Oct 20	$5,746
Oct 21	$5,307
Oct 22	$4,841
Oct 23	$4,536
Oct 24	$4,191
Oct 25	$4,874
Oct 26	$5,488
Oct 27	$6,140
Oct 28	$5,953
Oct 29	$6,343
Oct 30	$6,616
Oct 31	$6,742
Nov 01	$6,980
Nov 02	$7,415
Nov 03	$7,738
Nov 04	$7,657
Nov 05	$7,784
Nov 06	$8,169
Nov 07	$8,098
Nov 08	$6,971
Nov 09	$6,692
Nov 10	$7,393
Nov 11	$7,605
Nov 12	$8,060
Nov 13	$8,003
Nov 14	$7,907
Nov 15	$9,386
Nov 16	$9,601
Nov 17	$9,198
Nov 18	$10,441
Nov 19	$9,937
Nov 20	$10,821
Nov 21	$11,491
Nov 22	$10,107
Nov 23	$10,905
Nov 24	$10,151
Nov 25	$8,585
Nov 26	$8,336
Nov 27	$8,206
Nov 28	$8,965
Nov 29	$10,795
Nov 30	$11,273
Dec 01	$13,793
Dec 02	$14,298
Dec 03	$14,519
Dec 04	$14,895
Dec 05	$13,830
Dec 06	$12,984
Dec 07	$12,641
Dec 08	$10,918
Dec 09	$10,291
Dec 10	$10,745
Dec 11	$10,397
Dec 12	$10,528
Dec 13	$11,752
Dec 14	$10,770
Dec 15	$10,254
Dec 16	$12,082
Dec 17	$12,683
Dec 18	$12,057
Dec 19	$11,665
Dec 20	$10,544
Dec 21	$10,734
Dec 22	$10,508
Dec 23	$9,031
Dec 24	$7,876
Dec 25	$7,107
Dec 26	$7,084
Dec 27	$5,806
Dec 28	$5,317
Dec 29	$4,688
Dec 30	$4,350
Dec 31	$4,552

Siguiente: Partes de un todo, sin el gráfico circular

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_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

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_id	order_id	product_id	quantity	unit_price
1	1001	121	9	31.99
2	1001	154	3	11.99
3	1002	154	4	11.99
4	1002	194	1	149.00
5	1002	193	2	19.99

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_id	first_name	last_name	email	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	pinterest
5	Kyle	Jimenez	kjimenez27@yahoo.com	Indianapolis	IN	2022-06-07	consumer	NaN

products120 filas · 8 columnas

product_idinteger
namevarchar
categoryvarchar
subcategoryvarchar
unit_pricedecimal
unit_costdecimal
launched_ondate
is_activeboolean

Primeras 5 filas de products
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

returns1,673 filas · 5 columnas

return_idinteger
order_item_idinteger
returned_ondate
reasonvarchar
refund_amountdecimal

Primeras 5 filas de returns
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_idinteger
first_namevarchar
last_namevarchar
departmentvarchar
titlevarchar
manager_idinteger
hire_datedate
salaryinteger

Primeras 5 filas de employees
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_idinteger
customer_idinteger
started_attimestamp
devicevarchar
sourcevarchar
pages_viewedinteger
convertedboolean

Primeras 5 filas de web_sessions
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_datedate
channelvarchar
amountdecimal

Primeras 5 filas de marketing_spend
spend_date	channel	amount
2023-01-01	paid	492.99
2023-01-01	email	37.38
2023-01-01	social	200.53
2023-01-02	paid	709.13
2023-01-02	email	64.13

La lección

Por qué los gráficos diarios tienen ruido

Los ingresos de un día dependen de unas pocas docenas de pedidos. Un cliente empresarial que compra un juego de sofás puede duplicar un martes. Además, los días de semana y los fines de semana son distintos. Si dibujas cada día, la línea zigzaguea tanto que el movimiento real, el crecimiento lento de la temporada de fiestas, se esconde detrás de picos aislados. Los lectores entonces señalan el pico más alto y cuentan una historia sobre él.

De pedidos a días

order_date es una marca de tiempo con hora del día, así que agrupar por ella da un grupo por cada hora de pedido. resample corta un índice de fechas en periodos del calendario y rellena con cero los días sin pedidos:

daily = lines.set_index("order_date").resample("D")["revenue"].sum()
len(daily)   # 365: one value per day of 2025

"D" son días, "W" semanas, "MS" meses que empiezan el día 1.

Una media móvil de 7 días

rolling(7) desliza una ventana de siete filas a lo largo de la Series. .mean() promedia cada ventana y la etiqueta con su último día:

smooth = daily.rolling(7).mean()
smooth.head(7)   # six NaN, then the mean of Jan 1 to Jan 7

Los primeros seis valores faltan porque todavía no hay siete días. Siete es la ventana habitual para datos diarios de negocio: cada ventana contiene cada día de la semana exactamente una vez, así que el ritmo semanal se cancela y lo que queda es la tendencia.

Leer la línea suavizada

El valor suavizado del 4 de diciembre es el promedio del 28 de noviembre al 4 de diciembre: la semana después de Thanksgiving, con Black Friday, Cyber Monday y sus pedidos con el cupón BFCM25 dentro. Esa es la semana más fuerte de 2025. El día más fuerte, el 1 de diciembre, forma parte de ella, pero un solo día es una señal más débil. Fíjate en que la línea suavizada va retrasada: llega a su pico unos días después de que empieza la temporada, porque cada punto mira hacia atrás una semana.

Errores comunes

Aplicar rolling sobre filas que no son días. Si faltan los días sin pedidos, rolling(7) abarca más de una semana. Remuestrea primero para que haya exactamente una fila por día.
Centrar por accidente, o no centrar nunca. rolling(7, center=True) etiqueta cada ventana con su día central, lo que elimina el retraso pero usa días futuros. Di cuál de los dos muestra tu gráfico.
Suavizar justo lo que te preguntaron. Si la pregunta es “¿qué pasó el Black Friday?”, muestra las barras diarias. Suavizar responde preguntas sobre tendencias.