Python Orientado al Dato — Proyecto Final

Proyecto de análisis de datos sobre un dataset de e-commerce brasileño (Olist). Incluye resolución de ejercicios propuestos y métricas personalizadas, todo visualizado mediante un dashboard interactivo construido con Streamlit.

---

Contenido del proyecto

Ejercicios propuestos

Ejercicio	Descripción
Ejercicio 1	Clientes únicos por estado y ciudad, con filtro por rango de fechas
Ejercicio 2	Pedidos por ciudad, con porcentaje sobre el total y ratio pedidos/cliente
Ejercicio 3	Análisis de retrasos en pedidos: pedidos que llegan tarde, porcentaje de pedidos retrasados, tiempo medio de retraso y autodiagnóstico
Ejercicio 4	Reviews y satisfacción del cliente, separando pedidos entregados a tiempo de los cancelados

Métricas personalizadas

Métrica	Descripción
Métrica Personalizada 1	Distribución de ventas por categoría de producto en porcentaje sobre el total, con gráfico de barras y diagrama circular
Métrica Personalizada 2	Análisis de métodos de pago: usos totales y porcentaje de cada método, con gráfico de barras y diagrama circular

---

Estructura del proyecto

Proyecto/
├── app/
│   ├── main.py                          # Punto de entrada de Streamlit
│   ├── exs/                             # Capa lógica
│   │   ├── ex1.py ... ex4.py
│   │   ├── pers_metric_1.py
│   │   └── pers_metric_2.py
│   ├── streamlit_pages/                 # Capa de presentación (UI)
│   │   ├── ex1_executable.py ... ex4_executable.py
│   │   ├── pers_metric_1_executable.py
│   │   └── pers_metric_2_executable.py
│   ├── seeders/                         # Capa de datos
│   │   └── load_data.py
│   └── jupyter/                         # Notebooks exploratorios
│       ├── notebook_abel.ipynb
│       └── notebook_pedro.ipynb
├── documents/
│   ├── datasets/                        # CSVs del dataset
│   ├── documentation/                   # Documentación por ejercicio (.md)
│   └── model/                           # Modelo de datos
└── requirements.txt                     # Requerimientos del Proyecto

---

Arquitectura por capas

El proyecto sigue una separación clara en tres capas:

Capa de datos — seeders/load_data.py

Carga los datasets CSV y los sirve en caché mediante @st.cache_data. Evita releer en disco en cada interacción del usuario.

Capa lógica — exs/

Contiene toda la lógica de negocio y transformación de datos: filtros, merges, agrupaciones y cálculos. Cada ejercicio y métrica tiene su propio módulo. No tiene dependencias con Streamlit.

Capa de presentación — streamlit_pages/

Construye el dashboard: inputs, tablas y gráficos. Llama a la capa lógica y renderiza los resultados. Toda la interacción con Streamlit ocurre aquí.

---

Flujo de trabajo en GitHub

Se ha seguido un flujo dev → main mediante Pull Requests:

1. Todo el desarrollo se realiza sobre la rama dev.
2. Cuando una funcionalidad está completa y revisada, se abre una Pull Request de dev a main.
3. main siempre refleja el estado estable del proyecto.

---

Tecnologías utilizadas

• Python 3.11 - 3.12
• Pandas — manipulación y análisis de datos
• NumPy — operaciones numéricas
• Streamlit — dashboard interactivo
• Matplotlib — visualizaciones personalizadas

---

Cómo ejecutar el proyecto

1. Crear el entorno virtual e instalar dependencias

Desde la raíz del proyecto, ejecuta los siguientes comandos:

python -m venv .venv

Activa el entorno virtual:

• Windows:

.venv\Scripts\activate

• Linux/Mac:

source .venv/bin/activate

Instala las dependencias:

pip install -r requirements.txt

2. Ejecutar el dashboard

Una vez instaladas las dependencias, navega a la carpeta app y lanza Streamlit:

cd app
streamlit run main.py

La aplicación estará disponible en http://localhost:8501.

---

Autores

Proyecto creado por Pedro Arriero Domec y Abel González Palencia.

---