Series de tiempo

import pandas as pd

pedidos = pd.read_csv("tienda_pedidos.csv")
pedidos["creado"] = pd.to_datetime(pedidos["creado"],
                                   format="%Y-%m-%d %H:%M:%S", errors="coerce")
print("dtype de creado:", pedidos["creado"].dtype)
print("fechas invalidas:", int(pedidos["creado"].isna().sum()))

# Con la fecha en el indice, pandas puede agrupar por periodo.
serie = pedidos.set_index("creado").sort_index()
print()
print("primer pedido:", serie.index.min())
print("ultimo pedido :", serie.index.max())

print()
print("pedidos por mes:")
print(serie.resample("MS").size().to_string())

print()
print('resample("MS") agrupa por mes calendario y, a diferencia de groupby,')
print("crea los periodos que no tienen ninguna fila. Eso es lo que lo hace")
print("util: un mes sin ventas aparece con 0, no desaparece.")

import pandas as pd

pedidos = pd.read_csv("tienda_pedidos.csv")
pedidos["creado"] = pd.to_datetime(pedidos["creado"],
                                   format="%Y-%m-%d %H:%M:%S", errors="coerce")
serie = pedidos.set_index("creado").sort_index()

diario_resample = serie.resample("D").size()
diario_groupby = serie.groupby(serie.index.date).size()

print("dias que devuelve resample:", len(diario_resample))
print("dias que devuelve groupby :", len(diario_groupby))
print("dias con 0 pedidos        :", int((diario_resample == 0).sum()))

print()
print("La diferencia son los dias SIN pedidos. groupby solo puede agrupar")
print("lo que existe; resample conoce el calendario y completa los huecos.")

print()
print("primeros 6 dias:")
print(diario_resample.head(6).to_string())

print()
print("Para un grafico o para calcular un promedio diario, los ceros")
print("importan: sin ellos el promedio se calcula sobre menos dias y sale")
print("mas alto de lo que corresponde.")
print("promedio con ceros :", round(diario_resample.mean(), 2))
print("promedio sin ceros :", round(diario_groupby.mean(), 2))

import json

import pandas as pd

with open("eventos_usuarios.json", encoding="utf-8") as f:
    crudo = json.load(f)

eventos = pd.json_normalize(crudo["eventos"])
eventos["fecha"] = pd.to_datetime(eventos["fecha"],
                                  format="%Y-%m-%dT%H:%M:%S", errors="coerce")

uno = (eventos[eventos["usuario"] == "u10"]
       .dropna(subset=["fecha"])
       .sort_values("fecha", kind="stable")
       .reset_index(drop=True))

uno["anterior"] = uno["fecha"].shift(1)
uno["minutos"] = uno["fecha"].diff().dt.total_seconds() / 60

print(uno[["fecha", "tipo", "anterior", "minutos"]].head(8).to_string(index=False))

print()
print("shift(1) trae el valor de la fila anterior; diff() da la resta.")
print("La primera fila no tiene anterior, asi que su minutos es NaN:")
print("no es un dato faltante, es que no existe un evento previo.")
print()
print("eventos de u10:", len(uno))
print("hueco mas largo:", round(uno['minutos'].max(), 1), "minutos")

import json

import pandas as pd

HUECO = pd.Timedelta(minutes=30)

with open("eventos_usuarios.json", encoding="utf-8") as f:
    crudo = json.load(f)

eventos = pd.json_normalize(crudo["eventos"])
eventos["usuario"] = eventos["usuario"].str.strip()
eventos["fecha"] = pd.to_datetime(eventos["fecha"],
                                  format="%Y-%m-%dT%H:%M:%S", errors="coerce")

validos = eventos[(eventos["usuario"] != "") & eventos["fecha"].notna()]
print("eventos leidos :", len(eventos))
print("eventos validos:", len(validos))
print("usuarios       :", validos["usuario"].nunique())

# Las tres lineas. Ordenar por usuario y fecha es obligatorio: diff compara
# con la fila anterior de la TABLA, no con el evento anterior del usuario.
orden = validos.sort_values(["usuario", "fecha"], kind="stable")
hueco = orden.groupby("usuario")["fecha"].diff() > HUECO
sesion = hueco.groupby(orden["usuario"]).cumsum() + 1

print()
print("cortes (huecos de mas de 30 minutos):", int(hueco.sum()))
print("sesiones:", int(hueco.sum()) + validos["usuario"].nunique())
print("Cada usuario arranca con la sesion 1, y cada corte suma una.")

resumen = (orden.assign(sesion=sesion)
           .groupby(["usuario", "sesion"], as_index=False)
           .agg(eventos=("fecha", "size"),
                inicio=("fecha", "min"),
                fin=("fecha", "max")))
resumen["minutos"] = ((resumen["fin"] - resumen["inicio"])
                      .dt.total_seconds() / 60).round(1)

print()
print(resumen.head(5).to_string(index=False))
print()
print("sesiones en total:", len(resumen))

import json

import pandas as pd

HUECO = pd.Timedelta(minutes=30)

with open("eventos_usuarios.json", encoding="utf-8") as f:
    crudo = json.load(f)

eventos = pd.json_normalize(crudo["eventos"])
eventos["usuario"] = eventos["usuario"].str.strip()
eventos["fecha"] = pd.to_datetime(eventos["fecha"],
                                  format="%Y-%m-%dT%H:%M:%S", errors="coerce")
validos = eventos[(eventos["usuario"] != "") & eventos["fecha"].notna()]

bien = validos.sort_values(["usuario", "fecha"], kind="stable")
cortes_bien = int((bien.groupby("usuario")["fecha"].diff() > HUECO).sum())

# Mismo codigo, sin ordenar. El archivo viene en el orden en que se
# registraron los eventos, que no es el orden de cada usuario.
mal = validos
cortes_mal = int((mal.groupby("usuario")["fecha"].diff() > HUECO).sum())

print("cortes ordenando  :", cortes_bien)
print("cortes sin ordenar:", cortes_mal)
print("diferencia        :", cortes_mal - cortes_bien)

print()
print("Los dos programas corren. Los dos devuelven un numero plausible.")
print("Uno esta bien y el otro no, y no hay forma de saber cual mirando")
print("el resultado.")

print()
# Y ademas, sin ordenar aparecen diferencias negativas: el evento
# 'anterior' resulto ser posterior.
delta = mal.groupby("usuario")["fecha"].diff()
print("diferencias negativas sin ordenar:",
      int((delta < pd.Timedelta(0)).sum()))
print("ordenando:",
      int((bien.groupby("usuario")["fecha"].diff() < pd.Timedelta(0)).sum()))
print()
print("Un assert de que ninguna diferencia es negativa atrapa esto solo.")