Descubre el Universo
de la Ciencia de Datos

# Importamos las bibliotecas esenciales para el análisis
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Configuramos un estilo visual atractivo para los gráficos
sns.set_theme(style="whitegrid", palette="viridis")
plt.style.use('dark_background') # Mantenemos fondo oscuro para coherencia

print("Entorno listo. ¡Bibliotecas importadas!")
                

Entorno listo. ¡Bibliotecas importadas!

# Simulamos la carga de datos de ventas de productos ficticios
np.random.seed(42) # Para reproducibilidad
data = {
    'Producto_ID': range(1, 101),
    'Ventas_Unidades': np.random.randint(50, 500, 100),
    'Precio_Unitario': np.random.uniform(10, 100, 100).round(2),
    'Categoria': np.random.choice(['Electrónica', 'Hogar', 'Ropa', 'Juguetes'], 100, p=[0.3, 0.2, 0.3, 0.2])
}
df_ventas = pd.DataFrame(data)
df_ventas['Ingresos'] = df_ventas['Ventas_Unidades'] * df_ventas['Precio_Unitario']

# Mostramos una muestra aleatoria para echar un vistazo
print("Datos cargados. Visualizando muestra:")
df_ventas.sample(5)
                

Datos cargados. Visualizando muestra:
    Producto_ID  Ventas_Unidades  Precio_Unitario   Categoria  Ingresos
51           52              106            12.68        Ropa   1344.08
86           87              417            59.80        Ropa  24936.60
73           74              302            46.06   Electrónica  13910.12
14           15              443            99.35        Hogar  44010.55
53           54              416            78.02   Electrónica  32456.32
                

# Visualizamos la relación entre Ventas y Precio por Categoría
plt.figure(figsize=(12, 7))
sns.scatterplot(
    data=df_ventas,
    x='Precio_Unitario',
    y='Ventas_Unidades',
    hue='Categoria',
    size='Ingresos', # Tamaño del punto representa los ingresos
    sizes=(50, 500),  # Rango de tamaños
    alpha=0.7,        # Transparencia
    palette='magma'   # Paleta de colores diferente
)
plt.title('Relación Precio vs. Ventas por Categoría (Tamaño = Ingresos)', fontsize=16)
plt.xlabel('Precio Unitario (€)', fontsize=12)
plt.ylabel('Ventas (Unidades)', fontsize=12)
plt.legend(title='Categoría', bbox_to_anchor=(1.05, 1), loc='upper left')
plt.tight_layout()
plt.show()

print("Gráfico de dispersión generado.")
                

Gráfico de dispersión generado.

# Analizamos la distribución de Ingresos por Categoría
plt.figure(figsize=(12, 7))
sns.boxplot(data=df_ventas, x='Categoria', y='Ingresos', palette='viridis')
sns.stripplot(data=df_ventas, x='Categoria', y='Ingresos', color=".25", alpha=0.5) # Añadir puntos individuales

plt.title('Distribución de Ingresos Totales por Categoría de Producto', fontsize=16)
plt.xlabel('Categoría', fontsize=12)
plt.ylabel('Ingresos Totales (€)', fontsize=12)
plt.xticks(rotation=15) # Ligeramente rotar etiquetas
plt.tight_layout()
plt.show()

print("Boxplot de Ingresos por Categoría generado.")
                

Boxplot de Ingresos por Categoría generado.