Cálculo de ingresos e ingeniería de características

El cálculo más fundamental en un conjunto de datos de ventas son los ingresos por línea de pedido: el producto de la cantidad y el precio unitario de cada fila. Cree la columna mediante una multiplicación vectorizada para que NumPy procese todas las filas simultáneamente, sin un bucle de Python. Esta columna será la base de todas las agregaciones del análisis.

Agrupar por periodos naturales es esencial para analizar tendencias. Utilice el accesor .dt en una columna de fecha y hora para extraer el año, el mes y el trimestre. Almacenar estos valores en columnas enteras independientes acelera las operaciones de groupby y permite filtrar por periodo fácilmente, sin analizar cadenas repetidamente.

Las reglas de negocio suelen definir un indicador de descuento: los pedidos cuyo total supera un umbral reciben un descuento. Utilice np.where o una comparación booleana para crear esta columna binaria de forma eficiente. Un indicador de descuento permite a los analistas comparar las distribuciones de ingresos entre pedidos con descuento y pedidos a precio completo en una sola llamada a groupby.

Si el conjunto de datos incluye una columna cost_price, puede calcular el margen de beneficio como (unit_price - cost_price) / unit_price. Utilice clip(lower=0) para limitar a cero los márgenes negativos causados por errores en los datos antes de continuar con el análisis. Las columnas de margen permiten realizar agregaciones de groupby centradas en el beneficio, además de en los ingresos.

El número de días entre el primer pedido de un cliente y el pedido actual es una característica útil de antigüedad del cliente. Calcúlelo agrupando por customer_id, tomando la fecha mínima como fecha de la cohorte y restándola de la fecha de cada fila. La aritmética con timedelta devuelve una columna de valores timedelta64, que debe convertir a días enteros con .dt.days.

Agrupe la columna revenue en intervalos de tamaño etiquetados mediante pd.cut() para crear una característica ordinal destinada a la segmentación. Proporcione bins y labels explícitos que correspondan a sus definiciones de negocio de pedidos pequeños, medianos y grandes. La columna resultante es un Categorical de Pandas, que permite agrupar de forma eficiente.

order_date y utilice cumsum() en la columna de ingresos para seguir cómo se acumularon los ingresos totales durante el año. Esta serie acumulada facilita detectar si los ingresos crecen linealmente, se aceleran o se estabilizan, y constituye la base de un gráfico de cascada o de líneas acumuladas.

La propiedad dt.day_of_week devuelve valores del 0 (lunes) al 6 (domingo). Marque el sábado (5) y el domingo (6) como pedidos de fin de semana para comprobar si el comportamiento de compra durante el fin de semana difiere del de los días laborables. Esta es una característica habitual en el análisis exploratorio de datos minoristas y en el análisis de pruebas A/B.

Identifique a sus mejores clientes calculando los ingresos totales por customer_id con groupby().sum() y clasificándolos después con .rank(ascending=False, method='dense'). Añadir la clasificación al DataFrame principal con map() permite filtrar los N clientes principales mediante una sola condición booleana.

Normalice la columna de ingresos como una puntuación Z para poder comparar los tamaños de los pedidos entre distintas categorías de productos con rangos de precios muy diferentes. Utilice (df['revenue'] - df['revenue'].mean()) / df['revenue'].std(). Las puntuaciones Z superiores a 3 o inferiores a -3 son valores atípicos estadísticos que conviene investigar antes de crear modelos.

Después de añadir las columnas calculadas, guarde el DataFrame enriquecido para que todos los notebooks posteriores comiencen desde el mismo estado coherente. Utilice to_parquet() para conservar los tipos de datos, especialmente la columna Categorical order_size y la columna de fecha y hora order_date. Documente las nuevas columnas en un breve bloque de comentarios al principio del script.

En esta lección ha aprendido a: calcular las columnas de ingresos y margen de beneficio, extraer características temporales con el accesor .dt y crear características como indicadores de descuento, intervalos de tamaño de pedido y clasificaciones de clientes. A continuación, exploraremos el análisis con groupby por región y categoría.