CertiDevs: Reto - data frames, select, filter, pivot y manipulación avanzada

Descripción del reto

Trabajarás con un conjunto de datos de ventas ficticias de una empresa de electrónica con tiendas en varias ciudades de España. Aplicarás las herramientas de dplyr y tidyr para responder a preguntas de negocio reales.

Dataset de partida

library(dplyr)
library(tidyr)

# Datos de ventas
set.seed(2026)
ventas <- data.frame(
  id_venta    = 1:60,
  fecha       = rep(seq(as.Date("2025-01-01"), as.Date("2025-06-30"), by = "month"), 10),
  ciudad      = rep(c("Madrid", "Barcelona", "Valencia", "Sevilla", "Bilbao"), each = 12),
  producto    = rep(c("Laptop", "Smartphone", "Tablet", "Monitor"), times = 15),
  categoria   = rep(c("Ordenadores", "Moviles", "Tablets", "Monitores"), times = 15),
  precio_unit = c(899, 649, 399, 349, 1099, 799, 299, 449,
                   750, 620, 380, 320, 950, 700, 350, 400,
                   850, 670, 410, 360, 1000, 750, 280, 430,
                   920, 640, 390, 345, 880, 660, 370, 440,
                   860, 680, 405, 355, 910, 720, 310, 415,
                   930, 635, 395, 340, 870, 645, 385, 425,
                   905, 655, 375, 330, 940, 710, 305, 445),
  cantidad    = sample(1:20, 60, replace = TRUE),
  descuento   = round(runif(60, 0, 0.15), 2),
  stringsAsFactors = FALSE
)

Ejercicios

1. Selección y filtrado básico

# a) Selecciona solo las columnas: ciudad, producto, precio_unit, cantidad
# b) Filtra las ventas de "Madrid" con precio_unit superior a 700 €
# c) Filtra las ventas con descuento mayor del 10% y cantidad >= 10

2. Transformación con mutate()

# d) Calcula la columna 'importe_bruto' = precio_unit * cantidad
# e) Calcula 'importe_neto' = importe_bruto * (1 - descuento)
# f) Añade la columna 'margen_descuento' = importe_bruto - importe_neto

3. Resumen por grupos

# g) Calcula por ciudad: total de importe_neto, número de ventas y ticket medio
# h) Calcula por producto y ciudad: suma de importe_neto, ordenado descendentemente
# i) ¿Cuál es el producto más vendido (por cantidad) en cada ciudad?

4. Reestructuración con pivot

# j) Crea una tabla 'ventas_por_ciudad_mes' agrupando el importe_neto total
#    por ciudad y mes (extrae el mes de la fecha)
#
# k) Transforma esa tabla a formato ancho (pivot_wider) donde cada columna
#    sea un mes y cada fila una ciudad
#
# l) Vuelve a transformarla a formato largo (pivot_longer) para verificar
#    que obtienes el mismo resultado

5. Análisis avanzado

# m) Identifica las 3 ventas con mayor importe_neto
# n) Calcula la cuota de mercado de cada categoría (% sobre el total de importe_neto)
# o) ¿Qué ciudad tiene el mayor descuento promedio?

Solución de referencia

library(dplyr)
library(tidyr)

# Preparar datos
ventas <- ventas |>
  mutate(
    importe_bruto   = precio_unit * cantidad,
    importe_neto    = importe_bruto * (1 - descuento),
    margen_descuento = importe_bruto - importe_neto,
    mes             = format(fecha, "%Y-%m")
  )

# g) Resumen por ciudad
ventas |>
  group_by(ciudad) |>
  summarise(
    total_ventas = sum(importe_neto),
    num_ventas   = n(),
    ticket_medio = mean(importe_neto)
  ) |>
  arrange(desc(total_ventas))

# j-k) Tabla ancha por ciudad y mes
ventas_ciudad_mes <- ventas |>
  group_by(ciudad, mes) |>
  summarise(importe_neto = sum(importe_neto), .groups = "drop")

tabla_ancha <- ventas_ciudad_mes |>
  pivot_wider(names_from = mes, values_from = importe_neto, values_fill = 0)
print(tabla_ancha)

# l) Volver a formato largo
tabla_larga <- tabla_ancha |>
  pivot_longer(-ciudad, names_to = "mes", values_to = "importe_neto")
print(tabla_larga)

# n) Cuota de mercado por categoría
ventas |>
  group_by(categoria) |>
  summarise(total = sum(importe_neto)) |>
  mutate(cuota_pct = round(total / sum(total) * 100, 1)) |>
  arrange(desc(cuota_pct))

Criterios de evaluación

| Criterio | Puntos | |----------|--------| | select() y filter() correctos | 15 | | mutate() con importe_bruto e importe_neto | 20 | | group_by() y summarise() por grupos | 25 | | pivot_wider() y pivot_longer() | 25 | | Análisis avanzado (top 3, cuotas) | 15 | | Total | 100 |