Pandas

Estrategía: Agrupar-Unir-Filtrar

Visualizando la idea general

Intuición

Analicemos el paso a paso usando el siguiente conjunto de datos en los DataFrames:

• sales:

sale_id	product_id	year	quantity	price
1	100	2008	10	5000
2	100	2009	12	5000
7	200	2011	15	9000

• product:

product_id	product_name
100	Nokia
200	Apple
300	Samsung

1. Group By & Min
   Comenzamos agrupando porque nos permite agregar eficientemente nuestros datos de ventas por producto. Si obtenemos el año mínimo de cada product_id, podemos identificar rápidamente el año de venta de debut de cada producto.

df = sales.groupby('product_id', as_index=False)['year'].min()

• Esta línea agrupa las ventas por product_id y selecciona el año menor en cada grupo, lo cual indica el primer año en que el producto fue vendido por primera vez.
• El DataFrame resultante df tiene las columnas product_id y year.

df contiene lo siguiente:

product_id	year
100	2008
200	2011

2. Unir los DataFrames
   Mezclar es un paso natural después de agrupar, especialmente cuando necesitamos filtrar información relacionada en base al resultado calculado. Al fusionar usando product_id, nos aseguramos que capturamos la tabla completa de ventas para el año de debut.

sales.merge(df, on='product_id', how='inner')

• Esta línea fusiona el DataFrame original de ventas con el DataFrame df (que contine el primer año de venta de cada producto) usando la columna product_id.
• Dado que se usa un INNER JOIN, se conservan solo las filas que aparecen en ambos DataFrames.

sales resultará con la siguiente información:

product_id	year_x	quantity	price	year_y
100	2008	10	5000	2008
100	2009	12	5000	2008
200	2011	15	9000	2011

3. Filtrar registros
   Esto es escencial para eliminar cualquier dato extraño, asegurando que solo los registros del año de debut del producto sean preservados. Con este paso, podríamos obtener la información de ventas de los años posteriores al año de debut, frustrando el propósito del enfoque.

    .query('year_x == year_y')

• Después de la fusión, el DataFrame contendrá dos valores para el año, uno por cada DataFrame, renombrados por pandas como year_x y year_y.
• Esta línea filtra las filas donde year_x (el año de venta original) es igual al año de debut del producto year_y, conservando solo la información del primer año de venta de cada producto.

sales resultará con la siguiente información:

product_id	year_x	quantity	price	year_y
100	2008	10	5000	2008
200	2011	15	9000	2011

4. Renombrar columna y filtrar las columnas deseadas

.rename(columns={'year_x': 'first_year'})[['product_id', 'first_year', 'quantity', 'price']]

• Esta línea renombra la columna year_x a first_year, haciendo el DataFrame mas entendible.
• Finalmente, se seleccionan solo las columnas deseadas, resultando en un DataFrame con las columnas: product_id, first_year, quantity, y price.

resultado se encuentra en el DataFrame sales:

product_id	first_year	quantity	price
100	2008	10	5000
200	2011	15	9000

5. Regresar el resultado
   Intuitivamente, esta función encuentra el primer año de venta para cada producto y enseguida filtra la información de ventas correspondiente para esos años.

Implementación

import pandas as pd
def sales_analysis(sales: pd.DataFrame, product: pd.DataFrame) -> pd.DataFrame:
    df = sales.groupby('product_id', as_index=False)['year'].min()

    filterd_df = sales.merge(
        df, on='product_id', how='inner'
    ).query('year_x == year_y')

    filterd_df.rename(
        columns={'year_x': 'first_year'},
        inplace=True
    )

    return filterd_df[
        ['product_id', 'first_year', 'quantity', 'price']
    ]