EJERCICIO 1

RESOLUCIÓN

# Importamos librerías necesarias
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Creamos el DataFrame inicial con productos, categorías y precios
datos_iniciales = {
    'Producto': ['Laptop', 'Mouse', 'Teclado', 'Monitor', 'Webcam', 'Audífonos', 'SSD 500GB'],
    'Categoría': ['Computación', 'Periférico', 'Periférico', 'Monitor', 'Periférico', 'Audio', 'Almacenamiento'],
    'Precio_Unitario_USD': [1200, 25, 45, 300, 50, 80, 60]
}
df_ventas = pd.DataFrame(datos_iniciales)

# Generamos aleatoriamente las unidades vendidas
np.random.seed(42)
df_ventas['Unidades_Vendidas'] = np.random.randint(10, 51, size=len(df_ventas))

# Calculamos el ingreso total por producto
df_ventas['Ingreso_Total_USD'] = df_ventas['Precio_Unitario_USD'] * df_ventas['Unidades_Vendidas']

# Agrupamos ingresos por categoría y encontramos el producto con mayor ingreso
ingreso_por_categoria = df_ventas.groupby('Categoría')['Ingreso_Total_USD'].sum().sort_values(ascending=False)
producto_estrella = df_ventas.loc[df_ventas['Ingreso_Total_USD'].idxmax()]

print("--- Ingreso Total por Categoría ---")
print(ingreso_por_categoria)
print("\n--- Producto con Mayor Ingreso Total ---")
print(producto_estrella)

# Visualizamos los resultados
plt.figure(figsize=(10, 6))
plt.bar(ingreso_por_categoria.index, ingreso_por_categoria.values, color='skyblue')
plt.title('Ingreso Total por Categoría de Producto')
plt.xlabel('Categoría')
plt.ylabel('Ingreso Total (USD)')
plt.xticks(rotation=45)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.tight_layout()
plt.show()

plt.figure(figsize=(8, 8))
unidades_por_producto = df_ventas.groupby('Producto')['Unidades_Vendidas'].sum()
plt.pie(unidades_por_producto, labels=unidades_por_producto.index, autopct='%1.1f%%')
plt.title('Proporción de Unidades Vendidas por Producto')
plt.axis('equal')
plt.show()

EJERCICIO 2

RESOLUCIÓN

# Importamos pandas
import pandas as pd

# Cargamos los datos desde el archivo CSV y limpiamos nulos
df = pd.read_csv('empleados.csv', encoding='utf-8')
df_limpio = df.dropna().copy()

# Filtramos empleados de TI con cargo Senior y de Ventas con menos de 5 años de servicio
df_it_senior = df_limpio[(df_limpio['Departamento'] == 'TI') & (df_limpio['Cargo'] == 'Senior')]
df_ventas_junior = df_limpio[(df_limpio['Departamento'] == 'Ventas') & (df_limpio['Años_Servicio'] < 5)]

# Agregamos columna de bono por antigüedad
df_limpio['Bono_Antiguedad'] = 0
df_limpio.loc[df_limpio['Años_Servicio'] >= 5, 'Bono_Antiguedad'] = 1000

# Guardamos todo en Excel en hojas separadas
with pd.ExcelWriter('reporte_empleados.xlsx') as writer:
 df_limpio.to_excel(writer, sheet_name='Empleados', index=False)
 df_it_senior.to_excel(writer, sheet_name='TI_Senior', index=False)
 df_ventas_junior.to_excel(writer, sheet_name='Ventas_Junior', index=False)

EJERCICIO 3

RESOLUCIÓN

# Importamos pandas y matplotlib
import pandas as pd
import matplotlib.pyplot as plt

# Cargamos los datos desde el archivo CSV
df = pd.read_csv('ventas_videojuegos.csv', encoding='utf-8')

# Calculamos el ingreso total por género
ingreso_por_genero = df.groupby('Género')['Ingreso'].sum()

# Identificamos el género con mayor ingreso
genero_top = ingreso_por_genero.idxmax()

# Calculamos el precio promedio de todos los productos
precio_promedio = df['Precio'].mean()

# Obtenemos el top 3 de productos más vendidos (por unidades)
top3_productos = df.groupby('Producto')['Unidades_Vendidas'].sum().sort_values(ascending=False).head(3)

# Guardamos el reporte de ingreso por género en CSV
ingreso_por_genero.to_csv('reporte_ingreso_por_genero.csv')

# Creamos un reporte resumen con el precio promedio y los top 3 productos
reporte = pd.DataFrame({
 'Precio_Promedio': [precio_promedio],
 'Top_3_Productos': [', '.join(top3_productos.index)]
})

# Guardamos el reporte resumen en CSV
reporte.to_csv('reporte_resumen.csv', index=False)

# Graficamos el ingreso por género en un gráfico de barras
ingreso_por_genero.sort_values().plot(kind='bar')
plt.title('Ingreso por Género')
plt.xlabel('Género')
plt.ylabel('Ingreso')
plt.tight_layout()
plt.show()

# Calculamos el porcentaje de ventas por plataforma
plataforma_porcentaje = df['Plataforma'].value_counts(normalize=True)

# Graficamos la distribución por plataforma en un gráfico circular
plataforma_porcentaje.plot(kind='pie', autopct='%1.1f%%')
plt.ylabel('')
plt.title('Distribución por Plataforma')
plt.tight_layout()
plt.show()

EJERCICIO 4

RESOLUCIÓN

# Importamos pandas y matplotlib
import pandas as pd
import matplotlib.pyplot as plt

# Cargamos el archivo CSV
df_peliculas = pd.read_csv('peliculas.csv', encoding='utf-8')

# Calculamos ROI para cada película
df_peliculas['ROI'] = (df_peliculas['Ingresos_USD'] - df_peliculas['Presupuesto_USD']) / df_peliculas['Presupuesto_USD']

# Identificamos la película con mayor ROI
pelicula_top = df_peliculas.loc[df_peliculas['ROI'].idxmax()]

# Calculamos promedio de rating por género
promedio_rating_genero = df_peliculas.groupby('Género')['Rating'].mean()

# Mostramos resultados en consola
print("--- Película con Mayor ROI ---")
print(pelicula_top)
print("\n--- Promedio de Rating por Género ---")
print(promedio_rating_genero)

# Guardamos resultados en CSV
df_peliculas.to_csv('reporte_peliculas.csv', index=False)
print("\nReporte 'reporte_peliculas.csv' generado exitosamente.")

# --- Gráfico de Dispersión: Presupuesto vs Rating ---
plt.figure(figsize=(8, 5))
plt.scatter(df_peliculas['Presupuesto_USD'], df_peliculas['Rating'], color='purple', alpha=0.6)
plt.title('Relación entre Presupuesto y Rating')
plt.xlabel('Presupuesto (USD)')
plt.ylabel('Rating')
plt.grid(True, linestyle='--', alpha=0.5)
plt.tight_layout()
plt.show()