Nivel 1 · Rangos de valor de pedido

La forma antes que el resumen

En el capítulo anterior viste que el pedido medio ($543) es el doble de la mediana ($269). Esa brecha te dice que la columna está sesgada a la derecha, pero no cómo se ve su forma. Una distribución responde “¿cuántos valores hay de cada tamaño?”, y para verla agrupas los valores en tramos, llamados intervalos o rangos, y cuentas cada uno.

pandas mide directamente la asimetría:

completed["order_value"].skew()   # 3.95

Un sesgo de 0 significa simétrico. Por encima de 1 está fuertemente sesgado a la derecha: la mayoría de los valores son pequeños, con una cola larga de valores grandes. Los valores de pedido están casi en 4.

Cortar valores en rangos

pd.cut asigna cada valor a un rango que tú defines:

bins = [0, 100, 250, 500, 1000, 2500, float("inf")]
labels = ["under $100", "$100-250", "$250-500", "$500-1,000", "$1,000-2,500", "$2,500+"]
bands = pd.cut(completed["order_value"], bins=bins, labels=labels)
bands.value_counts(sort=False)

Cada rango incluye su borde derecho: un pedido de exactamente $100.00 cae en “under $100”. Un valor fuera de todos los rangos (aquí los 4 pedidos de $0 o menos) recibe NaN y queda fuera de los conteos. sort=False mantiene los rangos en su orden natural en lugar de ordenarlos por conteo.

Rangos desiguales a propósito

Los rangos de aquí se ensanchan a medida que crecen los valores: de $100, $150, $250, $500 y $1,500 de ancho. En una columna sesgada ese es el punto. Rangos iguales de $500 pondrían dos tercios de los pedidos en el primer rango y dejarían los rangos altos con un puñado cada uno. Rangos más anchos donde los datos escasean mantienen cada rango con sentido.

Pedidos frente a ingresos

El gráfico pone dos distribuciones lado a lado. Los pedidos se acumulan a la izquierda: una cuarta parte está por debajo de $100. Los ingresos se acumulan a la derecha: esos carritos pequeños aportan el 2% de las ventas, mientras que los pedidos de más de $1,000 (15% de los pedidos) aportan más de la mitad. Las dos cosas son ciertas y responden preguntas distintas. “¿Dónde están la mayoría de los clientes?” es la vista de pedidos. “¿Dónde está el dinero?” es la vista de ingresos. Un buen analista le muestra ambas a Jordan antes de que fije los umbrales de las ofertas.

Errores comunes

• Olvidar los bordes. pd.cut incluye el borde derecho y excluye el izquierdo. Un primer borde de 0 descarta los valores cero y negativos; revisa cuántos NaN obtienes con bands.isna().sum().
• Ordenar por conteo. value_counts() pone primero el rango más grande por defecto. En los valores de pedido los rangos casualmente se achican en orden, así que no lo notarías; en la mayoría de las columnas desordena la distribución. Pon sort=False y los rangos conservan su propio orden.
• Rangos de igual ancho en datos sesgados. La mayoría de los rangos queda casi vacía y uno concentra casi todos los datos. Usa rangos que coincidan con cómo habla el negocio, o cuantiles con pd.qcut.