NovaRetail+:
explorando drivers de comportamiento

Celda 7 · código original

# Importar librerías
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

Sin salida textual adicional guardada. Las figuras y matrices se incluyen en la galería.

Celda 9 · código original

# Cargar el dataset y explorar datos
# df = pd.read_csv("https://drive.google.com/uc?export=download&id=1-eHDkD0ZapRUKZ2zoWojNzT-Ufy_nqX9") (CODIGO AUXILIAR WEB DIRECTO)
df = pd.read_csv("/datasets/novaretail_comportamiento_clientes_2024.csv")
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15000 entries, 0 to 14999
Data columns (total 12 columns):
 #   Column                     Non-Null Count  Dtype  
---  ------                     --------------  -----  
 0   id_cliente                 15000 non-null  object 
 1   edad                       15000 non-null  float64
 2   nivel_ingreso              15000 non-null  float64
 3   visitas_mes                15000 non-null  int64  
 4   compras_mes                15000 non-null  int64  
 5   gasto_publicidad_dirigida  15000 non-null  float64
 6   satisfaccion               15000 non-null  float64
 7   miembro_premium            15000 non-null  int64  
 8   abandono                   15000 non-null  int64  
 9   tipo_dispositivo           15000 non-null  object 
 10  region                     15000 non-null  object 
 11  ingreso_anual              15000 non-null  float64
dtypes: float64(5), int64(4), object(3)
memory usage: 1.4+ MB

Celda 11 · código original

# mostrar las primeras 5 filas
df.head(5)

Celda 16 · código original

# Corregir el tipo de dato
df['edad'] = df['edad'].astype('int64')

Sin salida textual adicional guardada. Las figuras y matrices se incluyen en la galería.

Celda 17 · código original

# verificar cambios
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15000 entries, 0 to 14999
Data columns (total 12 columns):
 #   Column                     Non-Null Count  Dtype  
---  ------                     --------------  -----  
 0   id_cliente                 15000 non-null  object 
 1   edad                       15000 non-null  int64  
 2   nivel_ingreso              15000 non-null  float64
 3   visitas_mes                15000 non-null  int64  
 4   compras_mes                15000 non-null  int64  
 5   gasto_publicidad_dirigida  15000 non-null  float64
 6   satisfaccion               15000 non-null  float64
 7   miembro_premium            15000 non-null  int64  
 8   abandono                   15000 non-null  int64  
 9   tipo_dispositivo           15000 non-null  object 
 10  region                     15000 non-null  object 
 11  ingreso_anual              15000 non-null  float64
dtypes: float64(4), int64(5), object(3)
memory usage: 1.4+ MB

Celda 19 · código original

# Estadísticas descriptivas de variables numéricas
variables_numericas = ['edad', 'nivel_ingreso', 'visitas_mes', 'compras_mes', 'gasto_publicidad_dirigida', 'satisfaccion', 'ingreso_anual']
variables_binarias = ['miembro_premium', 'abandono']
variables_categoricas = ['tipo_dispositivo', 'region']

print(df[variables_numericas].describe())
print()
print('Medianas de cada columna')
print(df[variables_numericas].median())

def distribuciones(df, columnas):
    for col in columnas:
        fig, axes = plt.subplots(1, 2, figsize=(12, 4))
        sns.histplot(data=df, x=col, bins=20, hue='tipo_dispositivo', kde=True, ax=axes[0])
        axes[0].axvline(x=df[col].mean(), color='red', linestyle='--', label='Media')
        axes[0].set_title(f"Distribución de los valores en {col}")
        axes[0].set_xlabel(f"Rango de {col}")
        axes[0].set_ylabel("Repeticiones")
        sns.boxplot(df[col], ax=axes[1])
        axes[1].set_title(f"Distribución de outliers en {col}")
        axes[1].set_xlabel(f"Rango de {col}")
        axes[1].set_ylabel("Repeticiones")
    return plt.show()

distribuciones(df, variables_numericas)

               edad  nivel_ingreso   visitas_mes   compras_mes  \
count  15000.000000   15000.000000  15000.000000  15000.000000   
mean      38.262400   30019.704782     10.029000      1.206467   
std       11.492378    9833.166305      3.158189      1.105284   
min       18.000000    8000.000000      1.000000      0.000000   
25%       30.000000   23127.097500      8.000000      0.000000   
50%       38.000000   30023.745000     10.000000      1.000000   
75%       46.000000   36768.440000     12.000000      2.000000   
max       75.000000   74790.840000     25.000000      8.000000   

       gasto_publicidad_dirigida  satisfaccion  ingreso_anual  
count               15000.000000  15000.000000   15000.000000  
mean                   20.149301      3.603693      36.594180  
std                    10.880724      0.685300      34.484888  
min                     0.000000      1.000000       0.000000  
25%                    12.310000      3.100000       0.000000  
50%                    19.730000      3.600000      30.705000  
75%                    27.292500      4.100000      58.220000  
max                    75.510000      5.000000     244.690000  

Medianas de cada columna
edad                            38.000
nivel_ingreso                30023.745
visitas_mes                     10.000
compras_mes                      1.000
gasto_publicidad_dirigida       19.730
satisfaccion                     3.600
ingreso_anual                   30.705
dtype: float64

Celda 22 · código original

# Verificar que cada columna tenga únicamente dos valores posibles
print(df[variables_binarias].describe())
print()
print(df[variables_binarias].value_counts(normalize=True))
print()
print(df[variables_binarias].nunique())

       miembro_premium      abandono
count     15000.000000  15000.000000
mean          0.139267      0.150733
std           0.346236      0.357801
min           0.000000      0.000000
25%           0.000000      0.000000
50%           0.000000      0.000000
75%           0.000000      0.000000
max           1.000000      1.000000

miembro_premium  abandono
0                0           0.716067
                 1           0.144667
1                0           0.133200
                 1           0.006067
dtype: float64

miembro_premium    2
abandono           2
dtype: int64

Celda 25 · código original

# Verificar el número de valores únicos por variable categórica
print(df[variables_categoricas].describe())
print()
print(df[variables_categoricas].nunique())

       tipo_dispositivo region
count             15000  15000
unique                3      4
top               móvil  norte
freq               9818   4395

tipo_dispositivo    3
region              4
dtype: int64

Celda 26 · código original

# Explorar variables categóricas y cómo se distribuyen
print(df[variables_categoricas].value_counts())              # frecuencia absoluta
print('____________________________')
print(df[variables_categoricas].value_counts(normalize=True)) # frecuencia relativa (porcentaje)

def graficar_cat(df, columnas):
    for col in columnas:
        otra_col = [c for c in columnas if c != col][0]
        plt.figure()
        sns.countplot(data=df, x=col, hue=otra_col)
    return plt.show()

graficar_cat(df, variables_categoricas)

tipo_dispositivo  region
móvil             norte     2843
                  oeste     2489
                  sur       2483
                  este      2003
escritorio        norte     1125
                  oeste      935
                  sur        894
                  este       766
tablet            norte      427
                  oeste      386
                  sur        349
                  este       300
dtype: int64
____________________________
tipo_dispositivo  region
móvil             norte     0.189533
                  oeste     0.165933
                  sur       0.165533
                  este      0.133533
escritorio        norte     0.075000
                  oeste     0.062333
                  sur       0.059600
                  este      0.051067
tablet            norte     0.028467
                  oeste     0.025733
                  sur       0.023267
                  este      0.020000
dtype: float64

Celda 32 · código original

# Visualizar la matriz de correlación para identificar relaciones

def corr_numerica(df, columnas, metodo="pearson"):
    matriz = df[columnas].corr(method=metodo)
    return matriz.style.background_gradient(cmap="coolwarm")


# CODIGO MANUAL
#corr = df[variables_numericas].corr(method='pearson')
# corr.style.background_gradient(cmap="coolwarm") CODIGO AUXILIAR SIN IMAGEN

#plt.figure(figsize=(10,6))
#sns.heatmap(corr, annot=True, cmap="coolwarm", center=0)
#plt.title("Correlation Heatmap — NovaRetail+")
#plt.show()

#Codigo con Imagen

#def corr_numerica_imagen(df, columnas, metodo="pearson"):
#    matriz = df[columnas].corr(method=metodo)
#    plt.figure(figsize=(10,6))
#    sns.heatmap(matriz, annot=True, cmap="coolwarm", center=0)
#    plt.title(f"Correlation Heatmap Variables Numericas")
#    return plt.show()

#corr_numerica_imagen(df, variables_numericas, metodo="pearson")

Sin salida textual adicional guardada. Las figuras y matrices se incluyen en la galería.

Celda 33 · código original

corr_numerica(df, variables_numericas, metodo="pearson")

<pandas.io.formats.style.Styler at 0x7ff69ccafe20>

Celda 34 · código original

corr_numerica(df, variables_numericas, metodo="spearman")

<pandas.io.formats.style.Styler at 0x7ff6b29b5940>

Celda 38 · código original

#sns.pairplot(df, vars=variables_numericas, hue='region', kind='scatter') CODIGO DEL BOOTCAMP

# Paso 1: Crear el PairGrid (CODIGO DADO POR IA)
pg = sns.PairGrid(df, vars=variables_numericas, hue='region')

# Paso 2: Dibujar los puntos con color por región
pg.map_offdiag(sns.scatterplot)

# Paso 3: Recorrer cada subgráfico y agregar regresión global
for i, var_y in enumerate(variables_numericas):
    for j, var_x in enumerate(variables_numericas):
        if i != j:  # solo fuera de la diagonal
            sns.regplot(data=df, x=var_x, y=var_y,
                        scatter=False, ax=pg.axes[i][j],
                        color='black', line_kws={'linewidth': 1.5})

pg.add_legend()
plt.show()

Sin salida textual adicional guardada. Las figuras y matrices se incluyen en la galería.

Celda 40 · código original

# Visualizar pares de variables con relaciones moderadas o fuertes

# Crear scatterplot
sns.scatterplot(data=df,x="visitas_mes", y="ingreso_anual", hue='region')

# Crear línea de tendencia
sns.regplot(data=df, x='visitas_mes', y='ingreso_anual',
    scatter=False, color='black')

<AxesSubplot:xlabel='visitas_mes', ylabel='ingreso_anual'>

Celda 41 · código original

# Crear scatterplot
sns.scatterplot(data=df,x="compras_mes", y="ingreso_anual", hue='region')

# Crear línea de tendencia
sns.regplot(data=df, x='compras_mes', y='ingreso_anual',
    scatter=False, color='black')

<AxesSubplot:xlabel='compras_mes', ylabel='ingreso_anual'>

Celda 46 · código original

# Calcular correlación entre variables relevantes

corr_pearson  = df['visitas_mes'].corr(df['ingreso_anual'], method='pearson')
corr_spearman = df['visitas_mes'].corr(df['ingreso_anual'], method='spearman')

print(f"Correlacion entre: visitas_mes y ingreso_anual")
print(f"Pearson: {corr_pearson:.3f}") #La correlación Pearson evalúa relación lineal
print(f"Spearman: {corr_spearman:.3f}") #La correlación Spearman evalúa consistencia (monotonía)

Correlacion entre: visitas_mes y ingreso_anual
Pearson: 0.337
Spearman: 0.321

Celda 47 · código original

# Calcular correlación entre variables relevantes
corr_pearson  = df['compras_mes'].corr(df['ingreso_anual'], method='pearson')
corr_spearman = df['compras_mes'].corr(df['ingreso_anual'], method='spearman')

print(f"Correlacion entre: compras_mes y ingreso_anual")
print(f"Pearson: {corr_pearson:.3f}")
print(f"Spearman: {corr_spearman:.3f}")

Correlacion entre: compras_mes y ingreso_anual
Pearson: 0.967
Spearman: 0.967

Celda 50 · código original

# Calcular correlacion Punto-biserial: estado suscripcion ingresos mensuales
# Punto-biserial compara dos grupos (premium / no premium)
# contra una variable numérica.

#El coeficiente indica si existe diferencia entre ambos grupos,
#no causalidad

from scipy.stats import pointbiserialr

# Codificar suscripción (CODIGO EN CASO DE QUE APLIQUE. EN ESTE CASO EL DATASET YA ESTABA CONFIGURADO)
#df["estado_suscripcion_bin"] = df["estado_suscripcion"].replace({
#    "Yes": 1,
#    "No": 0
#})
def corr_point_biserial(df, col_binarias, col_numericas):

        for col_b in col_binarias:
            print(f"\nCorrelacion de la variable binaria {col_b}")
            for col_n in col_numericas:
                coef, p_value = pointbiserialr(df[col_b],df[col_n])
                print(f"\ncon la variable {col_n}")
                print(f"Point-Biserial: {coef:.4f}")
                print(f"p-value: {p_value:.4f}")
            print('_________________________________________________________________________')


corr_point_biserial(df, variables_binarias, variables_numericas)

Correlacion de la variable binaria miembro_premium

con la variable edad
Point-Biserial: 0.0046
p-value: 0.5728

con la variable visitas_mes
Point-Biserial: -0.0127
p-value: 0.1211

con la variable compras_mes
Point-Biserial: 0.0034
p-value: 0.6744

con la variable gasto_publicidad_dirigida
Point-Biserial: 0.0027
p-value: 0.7390

con la variable satisfaccion
Point-Biserial: 0.0257
p-value: 0.0016

con la variable ingreso_anual
Point-Biserial: 0.0931
p-value: 0.0000
_________________________________________________________________________

Correlacion de la variable binaria abandono

con la variable edad
Point-Biserial: -0.0115
p-value: 0.1590

con la variable visitas_mes
Point-Biserial: -0.0089
p-value: 0.2734

con la variable compras_mes
Point-Biserial: 0.0083
p-value: 0.3099

con la variable gasto_publicidad_dirigida
Point-Biserial: -0.0046
p-value: 0.5744

con la variable satisfaccion
Point-Biserial: -0.0238
p-value: 0.0035

con la variable ingreso_anual
Point-Biserial: -0.0028
p-value: 0.7295
_________________________________________________________________________

Celda 53 · código original

# Función mejorada y generalizable para calcular V de Cramér
from scipy.stats import chi2_contingency
def cramer_v(df, col_cat):
    for i, col_1 in enumerate(col_cat):
        for col_2 in col_cat[i+1:]:
            print(f"\nCorrelacion de la variable categorica {col_1}")
            # tabla de contingencia
            tabla = pd.crosstab(df[col_1], df[col_2])

            # calcular chi-cuadrado
            chi2, p_value, dof, expected = chi2_contingency(tabla)

            # calcular coeficiente V de Cramér
            n = tabla.values.sum()
            v = np.sqrt(chi2 / (n * (min(tabla.shape) -1)))
            print(f"\ncon la variable {col_2}:")
            print(v)
            print('_________________________________')

Sin salida textual adicional guardada. Las figuras y matrices se incluyen en la galería.

Celda 54 · código original

# Aplicar V de Cramér en variables relevantes
cramer_v(df, variables_categoricas)

Correlacion de la variable categorica tipo_dispositivo

con la variable region:
0.012378338407739397
_________________________________

Celda 63 · código original

"Link del repositorio: https://github.com/andaba2101/NovaRetail_Correlational_analysis.git"

'Link del repositorio: https://github.com/andaba2101/NovaRetail_Correlational_analysis.git'