Scribd
Cargar
127 vistas5 páginas

261 stockDataSetChapter9

El documento presenta un análisis de ventas diarias por marca de una empresa entre 2007 y 2011 almacenado en el archivo stock_data.csv. Solicita calcular estadísticas como promedios y desviaciones estándar de las ventas por marca y año, y representarlos en gráficos. También pide encontrar las fechas de ventas máximas y mínimas, y graficar las ventas diarias de las marcas más vendidas.

Cargado por

Luchito Ortyz Holguin
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
127 vistas5 páginas

261 stockDataSetChapter9

El documento presenta un análisis de ventas diarias por marca de una empresa entre 2007 y 2011 almacenado en el archivo stock_data.csv. Solicita calcular estadísticas como promedios y desviaciones estándar de las ventas por marca y año, y representarlos en gráficos. También pide encontrar las fechas de ventas máximas y mínimas, y graficar las ventas diarias de las marcas más vendidas.

Cargado por

Luchito Ortyz Holguin
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

CAPITULO 9

El dataset stock_data.csv, contiene informacin sobre las ventas diarias por marca
de la empresa XYZ desde el ao 2007 hasta el 2011.
Se le solicita realizar un anlisis de las ventas con el fin de analizar las tendencias
que se producen en el volumen de ventas de la empresa a travs del tiempo.

Ejecute las siguientes sentencias para leer la informacin desde un archivo .csv

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
ventas=pd.read_csv("stock_data.csv",index_col=0,parse_dates=True)

1. Crear un grfico comparativo de las ventas por marca del ao 2011 (Grfico
de Barras)

vx2011=ventas.loc['2011-01-03':'2011-10-14']
print(vx2011.sum())
vx2011.sum().plot(label='2011',kind='bar')
plt.legend()
plt.show()
2. Calcular el promedio de ventas por cada marca del ao 2011 y mostrarlo en
un grfico estadstico.

vx2011=ventas.loc['2011-01-03':'2011-10-14']
print(vx2011.mean())
vx2011.mean().plot()
plt.show()

3. Muestre el promedio de Ventas clasificadas por marca de los 5 aos y


represntelo en un grfico estadstico.
print(ventas.mean())
ventas.mean().plot()
plt.show()

4. Encuentre la fecha en la cual ocurri la mxima venta y la mnima venta en


cada marca.

def peakDate(series):
return series.idxmax()
def minDate(series):
return series.idxmin()

print("Fecha Mnima Venta:","\n",ventas.apply(minDate))

print("Fecha Mxima Venta:","\n",ventas.apply(peakDate))


5. Grafique las ventas diarias de las Marcas TOPS : Apple, IBM, Microsoft.

ventas[['AAPL','IBM','MSFT']].plot()
plt.show()

6. Para la marca Apple, calcule la media y la desviacin estndar.

Media=ventas.AAPL.mean()
DS=ventas.AAPL.std()

print("APPLE \n","Media:",Media,"\n","Desviacin:",DS,"\n")

7. Para todos las marcas calcule la media, la desviacin estndar, la venta


mnima, la venta mxima y otros valores descriptivos.

print(ventas.describe())

También podría gustarte