database_C1

import os
import pandas as pd
import kagglehub
import numpy as np
import warnings

warnings.filterwarnings("ignore", category=DeprecationWarning)

# Полная настройка отображения DataFrame
pd.set_option('display.max_columns', None)  # Все колонки
pd.set_option('display.expand_frame_repr', False)  # Не переносить на новую строку
pd.set_option('display.width', 1000)  # Ширина вывода
pd.set_option('display.max_colwidth', 20)  # Максимальная ширина колонки


path = kagglehub.dataset_download("ersany/online-retail-dataset")
df = pd.read_excel(os.path.join(path, "Online Retail.xlsx"))

"""
Поиск акул рынка
1)Постройте отдельную таблицу пкупатель - число заказов ['CustomerID', 'NumOrders']
2)Найдите самых активных (число заказов больше, чем у 95% всех покупателей)
Из основной таблицы выберете только информацию о наших акулах
3)Для каждого подсчитайте, сколько суммарно в каждой из стран было потрачено $ (оформить в виде таблицы с колонками CustomerID и нразваниями стран)
4)Найти гениев, которые покупали в нескольких странах
(подсказка: unstack, reset_index, columns.name = None)
"""

print(# Можно применять разные функции к разным колонкам
df.head())
"""
  InvoiceNo StockCode          Description  Quantity         InvoiceDate  UnitPrice  CustomerID         Country
0    536365    85123A  WHITE HANGING HE...         6 2010-12-01 08:26:00       2.55     17850.0  United Kingdom
1    536365     71053  WHITE METAL LANTERN         6 2010-12-01 08:26:00       3.39     17850.0  United Kingdom
2    536365    84406B  CREAM CUPID HEAR...         8 2010-12-01 08:26:00       2.75     17850.0  United Kingdom
3    536365    84029G  KNITTED UNION FL...         6 2010-12-01 08:26:00       3.39     17850.0  United Kingdom
4    536365    84029E  RED WOOLLY HOTTI...         6 2010-12-01 08:26:00       3.39     17850.0  United Kingdom
"""
def task3(df):
    num_orders = df.groupby('CustomerID')['InvoiceNo'].nunique().reset_index()
    num_orders.columns = ['CustomerID', 'NumOrders']
    threshold = num_orders['NumOrders'].quantile(0.95)
    sharks = num_orders[num_orders['NumOrders'] > threshold]
    print("SHARKS")
    print(sharks)
    print()
    df_sharks_info = pd.merge(df, sharks, on='CustomerID', how='inner')
    print("DF_SHARKS_INFO")
    print(df_sharks_info)
    print()
    df_sharks_info['TotalSpent'] = df_sharks_info['Quantity'] * df_sharks_info['UnitPrice']


    #Для каждого подсчитайте, сколько суммарно в каждой из стран было потрачено $ (оформить в виде таблицы с колонками CustomerID и нразваниями стран)
    spent_per_country = df_sharks_info.pivot_table(
        index='CustomerID',
        columns='Country',
        values='TotalSpent',
        aggfunc='sum',
        fill_value=0
    ).reset_index().rename_axis(None, axis=1)

    #Найти гениев, которые покупали в нескольких странах
    #spent_per_country['non_zero_count'] = (spent_per_country != 0).sum(axis=1)
    print("spent_per_country")
    print(spent_per_country)


task3(df)