📖 Descripción y características

Anuncios de venta de coches de segunda mano en las principales plataformas.

Las características de este dataset son las siguientes:

• Volumen estimado: 300000 registros cada 24 h
• Histórico: disponible desde 2020-11

📚 Documentación de las columnas

A continuación se muestran las columnas de las que consta el dataset junto con su descripción. Haciendo click en cada una de ellas se puede acceder a un ejemplo de los valores que pueden tomar.

👔 Casos de uso

En esta sección se describen cinco casos de uso reales para este dataset. Estos casos de uso se estructuran en forma de cinco preguntas que se pueden responder haciendo uso del mismo.

De los 5 casos de uso, 4 tratan de comprender la realidad usando el dataset, mientras que el último es un modelo simple de Machine Learning que modela la realidad para predecir comportamientos futuros.

Los resultados se presentan desde el punto de vista del detalle del código en SQL o Python usado, como también en forma de visualización que resume los resultados obtenidos.

| ¿Cuál es el precio medio de venta por marca?

• Descripción:
  Calcular el precio medio de venta de todas las marcas de coches con la finalidad de conseguir una visión más clara de cuáles de ellas son las más caras y más baratas en el mercado de coches de segunda mano, kilómetro cero y seminuevos.
• Consulta SQL:

  with last_appearance_date as ( 
  select max(insert_date) as insert_date, url 
  from coches_de_segunda_mano 
  group by coches_de_segunda_mano.url 
  ),
  car_last_appearance as ( 
  select coches_de_segunda_mano.*  
  from coches_de_segunda_mano 
  join last_appearance_date on
  	last_appearance_date.url = coches_de_segunda_mano.url 
  	and coches_de_segunda_mano.insert_date = last_appearance_date.insert_date
  )
  select cars_last_appearance.make, round(avg(cars_last_appearance.price), 2) as avg_price
  from cars_last_appearance
  group by make

• Visualización:
  

| Fecha media de fabricación de los vehículos por marca

• Descripción:
  Se quiere ver la tendencia de los usuarios a lo largo del tiempo en cuanto a preferencia del tipo de marca de coches. Por ello, se hará una media de la fecha de fabricación de los vehículos por marca de coches.
• Consulta SQL:

  with last_appearance_date as (
  select max(insert_date) as date_last, url
  from coches_de_segunda_mano
  group by coches_de_segunda_mano.url
  ),
  cars_last_appearance as (
  select last_appearance_date.*, year, make
  from last_appearance_date
  join coches_de_segunda_mano on
  	coches_de_segunda_mano.url = last_appearance_date.url
  	and coches_de_segunda_mano.insert_date = last_appearance_date.date_last 
  )
  select make, round(avg(year), 0) as avg_year
  from cars_last_appearance
  group by make

• Visualización:
  

| Top 10 de modelos de coches en venta (marca + modelo)

• Descripción:
  Selección de los modelos con mayor número de coches en venta en las plataformas de coches de segunda mano.
• Consulta SQL:

  with last_appearance_date as (
  select max(insert_date) as date_last, url
  from coches_de_segunda_mano
  group by url
  ),
  cars_last_appearance as (
  select coches_de_segunda_mano.*
  from coches_de_segunda_mano
  join last_appearance_date on
  	last_appearance_date.date_last = coches_de_segunda_mano.insert_date
  	and last_appearance_date.url = coches_de_segunda_mano.url 
  )
  select make, count(url) as n_cars
  from cars_last_appearance
  group by make
  order by n_cars desc
  limit 10

• Visualización:
  

| Porcentaje de vehículos eléctricos (frente al total) en venta por provincias

• Descripción:
  Obtener a nivel provincial la cantidad de coches eléctricos de segunda mano o seminuevos en venta, para medir la adopción del coche eléctrico en España.
• Consulta SQL:

  with last_appearance_date as ( 
  select max(insert_date) as date_last, url
  from coches_de_segunda_mano
  group by url
  ),
  cars_last_appearance as (
  select coches_de_segunda_mano.*
  from coches_de_segunda_mano
  join last_appearance_date on
  	last_appearance_date.date_last = coches_de_segunda_mano.insert_date
  	and last_appearance_date.url = coches_de_segunda_mano.url
  ),
  electric_cars as (
  select province, count(url) as n_cars_electric
  from cars_last_appearance
  where country = 'Spain' and fuel = 'Eléctrico'
  group by country, province
  ),
  total_cars as (
  select province, count(url) as n_cars_total
  from cars_last_appearance
  where country = 'Spain'
  group by country, province
  )
  select total_cars.province, n_cars_total, n_cars_electric,
  	cast(electric_cars.n_cars_electric as float) / cast(total_cars.n_cars_total as float) * 100 as perc_electric_cars
  from electric_cars
  join total_cars on
  	electric_cars.province = total_cars.province

• Visualización:
  

| Predicción del precio de un coche en función de sus características

• Descripción:
  Determinar el precio de venta de un coche de segunda mano a largo plazo dependiendo de sus características.
• Código Python:

  import pandas as pd  
  import numpy as np  
  import matplotlib.pyplot as plt  
  from sklearn.pipeline import Pipeline  
  from sklearn.compose import ColumnTransformer  
  from sklearn.impute import SimpleImputer  
  from sklearn.preprocessing import StandardScaler, OrdinalEncoder  
  from sklearn.metrics import mean_squared_error 
  from sklearn.model_selection import train_test_split  
  from sklearn.ensemble import RandomForestRegressor  
  
  #Cargamos el dataset y elegimos las columnas que vamos a usar para predecir el precio de un coche.
  df_coches = pd.read_csv("coches-de-segunda-mano-sample.csv") 
  df_coches_def = df_coches[['make','model','fuel', 'year', 'kms', 'power', 'doors', 'shift', 'color',  'is_professional', 'price']]  
  
  #Separamos las columnas en categóricas y númericas ya que se tratan diferentes los datos  
  NUM_FEATS = ['year', 'kms', 'power']  
  CAT_FEATS = ['make', 'model', 'fuel', 'shift', 'color', 'doors', 'is_professional']  
  FEATS = NUM_FEATS + CAT_FEATS  
  TARGET = 'price' 
  
  #Preprocesamos los datos, rellenamos los nulos, escalamos las columnas numéricas y pasamos las categóricas a números. 
  numeric_transformer = \ 
  Pipeline(steps=[('imputer', SimpleImputer(strategy='median')), 
                  ('scaler', StandardScaler())])  
  categorical_transformer = \ 
  Pipeline(steps=[('imputer', SimpleImputer(strategy='constant', fill_value="missing")), 
                  ('ordinal', OrdinalEncoder(handle_unknown='use_encoded_value', unknown_value=-10000000))]) 
  preprocessor = \ 
  ColumnTransformer(transformers=[('num', numeric_transformer, NUM_FEATS), 
                                  ('cat', categorical_transformer, CAT_FEATS)])  
  
  #Hacemos un pipeline para el modelo donde cargamos el preprocesamiento y el modelo, en este caso un RandomForest  
  model= Pipeline(steps=[('preprocessor', preprocessor), 
                         ('regressor', RandomForestRegressor())])  
  
  #Dividimos el dataset aleatoriamente en dos, una parte para entrenar y la otra para validar el resultado.
  coches_train, coches_test = train_test_split(df_coches_def, random_state=5) 
  
  #Entrenamos del modelo 
  model.fit(coches_train[FEATS], coches_train[TARGET]);  
  
  #Predecimos el precio  
  y_test = model.predict(coches_test[FEATS]) 
  y_train = model.predict(coches_train[FEATS]) 
  
  #Vemos el error con al métrica del error cuadrático medio.  
  print(f"Error cuadrático medio del test: {mean_squared_error(y_pred=y_test, y_true=coches_test[TARGET], squared=False).round(3)}€")  
  print(f"Error cuadrático medio del train: {mean_squared_error(y_pred=y_train, y_true=coches_train[TARGET], squared=False).round(3)}€")  
  
  Error cuadrático medio del test: 4464.385€  
  Error cuadrático medio del train: 2010.79€  
  
  #Representamos el valor medio por marca para diferenciar el predicho con el real.  
  coches_plot = coches_test.loc[:, ['make', 'price']]  
  coches_plot.loc[:, 'price_model'] = y_test  
  coches_plot = coches_plot.groupby('make', as_index=False).mean()  
  fig, ax = plt.subplots(ncols=1, nrows=1, figsize=(16,8))  
  ax.scatter(coches_plot['make'], coches_plot['price_model'], c=['#c0b283'])  
  ax.scatter(coches_plot['make'], coches_plot['price'], c='#8a867b')  
  ax.set_xlabel('Marcas')  
  ax.set_ylabel('Precio medio (€)')  
  ax.legend(['Precio predicho', 'Precio real'])  
  ax.spines["bottom"].set_visible(False) 
  ax.spines["right"].set_visible(False)  
  ax.spines["left"].set_visible(False) 
  ax.spines["top"].set_visible(False)  
  plt.setp(ax.get_xticklabels(), rotation=45, ha="right", rotation_mode="anchor") 
  plt.tight_layout() 
  plt.show()

• Visualización:
  

Puede descargarse el dossier completo en versión pdf haciendo click aquí.