helpers.py

from pathlib import Path
import functools
from subprocess import run
import pandas as pd

iso_codes = {
    "AR-A": "Salta",
    "AR-B": "Provincia de Buenos Aires",
    "AR-C": "Ciudad Autónoma de Buenos Aires",
    "AR-D": "San Luis",
    "AR-E": "Entre Ríos",
    "AR-F": "La Rioja",
    "AR-G": "Santiago del Estero",
    "AR-H": "Chaco",
    "AR-J": "San Juan",
    "AR-K": "Catamarca",
    "AR-L": "La Pampa",
    "AR-M": "Mendoza",
    "AR-N": "Misiones",
    "AR-P": "Formosa",
    "AR-Q": "Neuquén",
    "AR-R": "Río Negro",
    "AR-S": "Santa Fe",
    "AR-T": "Tucumán",
    "AR-U": "Chubut",
    "AR-V": "Tierra del Fuego",
    "AR-W": "Corrientes",
    "AR-X": "Córdoba",
    "AR-Y": "Jujuy",
    "AR-Z": "Santa Cruz",
}


def download_data():
    run(["kaggle", "datasets", "download", "--unzip", "tinnqn/precios-claros-precios-de-argentina"])


def sucursales_prov(path):
    """
    devuelve un frame que mapea el ID de sucursal a un id normalizado
    compuesto por comercio-bandera-cod-provincia.
    Tambien se reemplazan los códigos de las provincias por su nombre.
    De esta manera precios de distintas sucursales pueden ser comparables
    """
    sucursales = pd.read_csv(path / "sucursales.csv")
    sucursales_prov = sucursales[["id", "provincia", "banderaDescripcion"]]
    sucursales_prov = sucursales_prov.rename(columns={"banderaDescripcion": "cadena"})
    sucursales_prov.replace({"provincia": iso_codes}, inplace=True)
    sucursales_prov["id_prov"] = (
        sucursales["comercioId"].astype(str) + "-" + sucursales["banderaId"].astype(str) + "-" + sucursales["provincia"]
    )
    sucursales_prov.set_index("id", inplace=True)
    return sucursales_prov


def read_precio(f, sucursales_df):
    """
    devuelve el dataset de precios del CSV "f", cruzado con
    las sucursales (provistas por sucursales_prov())

    La columna precio se renombra a precio_{fecha} donde fecha se extrae
    del nombre del archivo.
    """
    fecha = f.name.split("_")[-1][:-4]
    precio = pd.read_csv(f)
    precio = precio.rename(columns={"precio": f"precio_{fecha}"})
    precio = precio.join(sucursales_df, on="sucursal_id")
    return precio


def read_precios(path="."):
    """
    Helper principal.
    Lee todo los csvs del dataset para obtener un solo frame normalizado
    y util para analizar.
    """

    here = Path(path)
    sucursales = sucursales_prov(here)
    productos = pd.read_csv(here / "productos.csv")
    precios = [read_precio(f, sucursales) for f in Path(path).glob("precios_*.csv")]

    # aplico merges de todos los precios
    def merge(left, right):
        return (
            pd.merge(left, right, on=["producto_id", "id_prov", "provincia"], how="inner").dropna()
            # .drop(["sucursal_id_x", "sucursal_id_y"], axis=1)
        )

    precios = functools.reduce(merge, precios)
    # eliminar columnas repetidas
    precios = precios.loc[:, ~precios.columns.duplicated()]
    precios = precios.rename(columns={"cadena_x": "cadena"})

    # elimina columnas innecesarias.
    # basicamente sucursal_* y cadena_y  (queda cadena, renombrada antes)
    for c in set(precios.columns):
        if c.startswith(("sucursal", "cadena_")):
            precios.drop(c, axis=1, inplace=True)

    # cruzamos datos con productos
    precios = pd.merge(
        precios,
        productos[["id", "marca", "nombre", "categoria1", "categoria2", "categoria3"]],
        left_on="producto_id",
        right_on="id",
    ).drop(["id", "id_prov"], axis=1)

    precios.sort_index(axis=1, inplace=True)

    # obtenemos el periodo maximo inicio vs fin (asumiendo columnas ordenadas)
    inicio, *_, fin = [c for c in precios.columns if c.startswith("precio_")]

    precios["variacion"] = precios[fin] - precios[inicio]
    precios["variacion_relativa"] = precios["variacion"] / precios[inicio] * 100
    return precios