Ejercicio de programación con Pandas: Evaluación código conocimiento general de Pandas

Imagina que trabajas con un dataset ficticio que representa las ventas de una tienda en línea durante el año 2023. El dataset contiene información sobre las ventas diarias de diferentes productos en varias categorías. 

A continuación se describe la estructura del dataset:

Fecha       | Producto   | Categoría   | Cantidad Vendida | Precio Unitario | Ingresos | Región      
------------|------------|-------------|------------------|-----------------|----------|--------------
2023-01-01  | Producto A | Electrónica | 5                | 300.00          | 1500.00  | Norteamérica
2023-01-01  | Producto B | Ropa        | 13               | 20.00           | 260.00   | Europa      
2023-01-01  | Producto C | Hogar       | 11               | 50.00           | 550.00   | Asia        
2023-01-01  | Producto D | Deportes    | 11               | 300.00          | 3300.00  | Sudamérica  
2023-01-01  | Producto E | Juguetes    | 12               | 200.00          | 2400.00  | África      
2023-01-02  | Producto A | Electrónica | 7                | 300.00          | 2100.00  | Norteamérica
2023-01-02  | Producto B | Ropa        | 2                | 20.00           | 40.00    | Europa      
2023-01-02  | Producto C | Hogar       | 5                | 50.00           | 250.00   | Asia        
2023-01-02  | Producto D | Deportes    | 10               | 300.00          | 3000.00  | Sudamérica  
2023-01-02  | Producto E | Juguetes    | 19               | 200.00          | 3800.00  | África      

El dataset contiene las siguientes columnas:

• Fecha: La fecha de la venta (en formato YYYY-MM-DD).
• Producto: El nombre del producto vendido.
• Categoría: La categoría a la que pertenece el producto (por ejemplo, Electrónica, Ropa, Hogar, Deportes).
• Cantidad Vendida: El número de unidades vendidas del producto.
• Precio Unitario: El precio por unidad del producto.
• Ingresos: El total de ingresos generados por la venta (Cantidad Vendida * Precio Unitario).
• Región: La región geográfica donde se realizó la venta (Norteamérica, Europa, Asia, etc.).

Tareas a realizar

A continuación se presenta una lista de tareas que puedes realizar utilizando Pandas para analizar el dataset de ventas:

Cargar el Dataset:

• Lee el archivo ventas_2023.csv en un DataFrame de Pandas.

Mostrar las primeras filas:

• Muestra las primeras 10 filas del dataset para familiarizarte con los datos.

Seleccionar columnas específicas:

• Selecciona y muestra las columnas Fecha, Producto y Ingresos.

Filtrar por una categoría específica:

• Filtra y muestra todas las filas donde la categoría es "Electrónica".

Calcular los ingresos totales por región:

• Agrupa los datos por Región y calcula los ingresos totales para cada una.

Crear una nueva columna:

• Crea una nueva columna llamada Ganancia Bruta que sea igual a Ingresos menos un costo ficticio del 30% sobre los Ingresos.

Filtrar ventas por fecha:

• Filtra las ventas que ocurrieron después del 1 de junio de 2023.

Calcular el precio medio por categoría:

• Calcula el precio medio (Precio Unitario) por cada categoría de productos.

Visualizar ventas por día:

• Crea una gráfica de líneas que muestre los ingresos diarios a lo largo del tiempo.

Pivotar el dataset:

• Crea una tabla dinámica (pivot table) que muestre los ingresos totales por Región y Categoría.

Exportar los datos filtrados:

• Exporta el DataFrame filtrado (por ejemplo, ventas de "Electrónica") a un nuevo archivo CSV.